面部皮肤质量检测对美妆行业、护理行业、皮肤科及整形外科等领域具有重要的应用价值。面部皮肤质量检测包含皮肤疾病、皱纹、粉刺、色斑、以及毛孔粗细等多个方面。一般来说,不同的人对同一面部皮肤的评价是不同的。对于诸如皮肤外科医生这类专业的人群而言,为其排除主观性,提供客观结果是非常重要的。传统的皮肤质量检测技术主要依靠像素颜色、阈值分割的方式,存在识别率低、自适应性差的问题,难以实际应用。为此,本文将机器学习、深度学习技术引入面部皮肤质量检测当中,取得了较好的检测效果。论文主要研究成果有:（1）提出了一种基于Gabor滤波器和多特征融合的面部皮肤图像分类算法。在面部皮肤图像识别方面,光照和噪声是影响识别率最主要的两个因素,针对该问题,本文提出利用多尺度多方向的Gabor滤波器对皮肤样本进行滤波处理,增强检测目标与背景的对比度,降低光照、毛孔等干扰的影响。针对单一特征难以反应皮肤图像完整信息的问题,本文将局部二值模式直方图与方向梯度直方图进行融合特征提取,有效获取皮肤图像的纹理、轮廓等特征信息。实验证明,融合后的皮肤特征经SVM分类后,识别准确率达93.8%,并成功将其应用于“美的魔镜”安卓框架中。（2）提出了一种基于改进LeNet-5卷积神经网络的面部皮肤图像分类算法。针对传统机器学习无法提取皮肤图像的深层特征的问题,本文在对原始LeNet-5进行大量研究的基础上,提出了一种改进的LeNet-5卷积神经网络模型。该网络继承了原始LeNet-5卷积核感受野大小、优化了网络层数、增加了神经元数量,能够学习到更多的特征;针对皮肤样本较少的问题,通过数据集增强的方式,有效的防止了网络对某一张图片的过拟合问题,进一步提升了网络对皮肤样本的识别准确率。最终,改进LeNet-5卷积神经网络在皮肤图像分类任务中取得了 97.8%的准确率,比原始LeNet-5高出7.6%。（3）搭建了一种面部皮肤质量检测系统。该系统首先通过人脸检测、人脸关键特征点定位、构建人脸皮肤区域掩模图像,快速找到了面部皮肤区域。然后利用皮肤分类模型,达到了准确识别面部“粉刺”、“皱纹”、“色斑”的目的,为皮肤相关领域的工作者提供科学的数据依据。