随着深度学习的急速发展,近年来越来越多的研究已经在人脸识别,人脸验证,人脸检索等领域取得了接近人类乃至超越人类的准确率。现有的大部分人脸数据集往往都会涵盖姿态,表情,光照等差异。而现有的算法也确实已经可以做到很好的排除这些差异造成的影响。然而当涉及到时间上更长久的运用场景时,有一种新的差异却不得不重新考虑,那就是年龄差异。比起传统的人脸相关研究,跨年龄相关的研究却非常之少。所谓跨年龄人脸检索,就是指给定一个人之后,可以准确地识别此人不同年龄阶段的照片。在实际应用场景中,跨年龄的人脸检索能力对很多问题起着至关重要的作用,比如查找潜逃多年的罪犯以及寻找失踪儿童等。在这些应用领域,待检索图库中的人脸图像和实际的探测人脸在年龄上往往有着极大的差距,从而使得一些传统方法的准确率急剧降低。考虑到这种局限,近年来一些学者开始渐渐关注起了年龄无关的面部特征研究。现有的跨年龄人脸检索方法大致分为三类:第一类算法基于老化和逆老化模型的生成能力,将数据库中的人脸特征拓展到各个年龄段。第二类利用跨年龄参考集编码和最大池化获取年龄无关特征。第三类不依赖老化模型,而是直接消除年龄相关信息获取跨年龄健壮性更好的特征。早期的研究大多集中于第一类方法,这类方法可以看作老化模拟问题的衍生。然而由于其造成了额外的存储和计算负担,且刻意忽略了特征本身的年龄无关性,因此后两类近年来渐渐成为跨年龄领域的主流。本文提出的基于深度特征的选择与映射算法本质上属于第三类方法,他不依赖对老化模型的预先建模。由于目前本文使用的CACD数据库中,人脸检索效果领先的方法是基于参考集编码算法,为充分体现深度特征算法对跨年龄人脸检索的提升,本文不仅比较了目前最优的参考集编码算法,还提出了一种该类算法的全面优化版,即特征脸参考基编码算法。本文提出的两种方法分别使用深度特征和传统特征,并都取得了目前CACD数据集上最领先的检索效果。同时又以深度特征选择与映射算法效果最佳。本文也将在实验部分着重分析各个方法提取年龄无关信息的优劣,以及如何组合。