人脸年龄合成包括人脸的老化和逆龄化,其目标是基于输入的人脸图像对指定年龄阶段的面部形态进行预测。该技术具有重要的应用价值和广阔的发展空间,一直是计算机视觉领域的研究热点。近些年,在深度学习理论的推动下,人脸年龄合成技术取得了突破性进展。但由于人脸的老化现象较为复杂且受到多种因素影响,现有算法难以兼顾人脸图像的面部轮廓和纹理变化,且无法细粒度建模人脸的连续老化现象。此外,随着人脸年龄合成要求的不断提高,相关深度模型及损失函数的设计愈加复杂,存在模型训练成本较高的问题。针对上述问题以及当前年龄合成任务的新需求,本文对基于生成对抗网络的人脸年龄合成算法进行了改进研究,并面向草图生成场景进行了多模态年龄合成的应用扩展,主要工作如下:（1）提出了一种受年龄属性约束的风格编码器,用于将人脸图像和目标年龄编码为生成对抗网络中的潜在风格向量,并在此基础上设计了端到端的编码器-解码器网络建模人脸的老化和年轻化。该网络通过预训练的人脸生成器对潜在向量进行解码从而得到预期的输出,可以有效降低模型的训练成本。另外,本文将人脸的老化进程视为回归问题,通过引入年龄估计网络指导年龄编码器无监督、细粒度的学习人脸的连续性年龄迁移。全年龄段的人脸年龄合成实验结果表明,本算法可以精细的模拟人脸在整个生命周期的连续年龄迁移过程,并且能够兼顾面部的轮廓变化与纹理变化。（2）提出了一种面向草图生成的多模态人脸年龄合成算法。针对由草图到人脸图像的合成场景,本文利用潜在风格编码器提取人脸草图（肖像图）的特征,并通过风格编码混合生成的方式重新设计了年龄合成网络的输入形式。本算法使得模型可以直接根据给定的人脸草图得到多模态的人脸年龄合成图像,以适应当前年龄合成任务的新需求。草图到人脸图像的年龄合成实验结果表明,本算法能够在输入草图给定的人脸属性特征约束下,进行自然、合理的超分辨率真实人脸图像合成,并且可以额外实现跨年龄、多模态的人脸属性编辑。