人脸属性识别,是指对利用计算机来辨别和分析图像中关于人脸的各种属性信息,其包括生物属性识别及非生物属性识别。前者是指对个体的年龄、性别、种族等一般生物信息进行测定,对发色、眉形等特定类别进行分类,以及对微笑、愤怒等情绪/脸部表情进行识别。而后者是指识别眼影、口红等妆容以及眼镜、帽子等配饰。近年来,人脸属性识别因其在人脸验证、人脸识别和人脸检索的广泛应用,受到了越来越多的关注。传统的人脸属性识别方法,一般遵循手工提取人脸特征表示,继而训练分类器的步骤。众所周知,分类器的泛化能力取决于人脸特征表示的优劣。但考虑到手工方式只能够提取具有低层次视觉概念的人脸表征,因而无法应对由于光照条件、姿势以及遮挡等引起的复杂的面部变化,这使得在无约束条件下进行人脸属性的识别仍旧是一个极具挑战性的研究课题。而依托于大数据基础以及云计算技术的发展,借助卷积神经网络的“自学能力”来自动地学习具有高层次语义概念的人脸表征成为了可能。综上所述,本文确立主要研究内容为基于卷积神经网络的人脸属性识别研究。首先,本文阐述了基于卷积神经网络的人脸属性识别研究的背景与意义,继而对人脸属性识别研究的现状进行了综述。其次,本文介绍了传统的人脸属性识别方法,并对其中的常见方法进行了具体介绍。再次,本文概述了人工神经网络和卷积神经网络的基础理论,并着重地介绍了其核心理念和基本结构。然后,本文提出了一个在无约束条件下用于多标签人脸属性识别的深度卷积神经网络模型,其对于复杂背景和面部变化具有鲁棒性,并获得了分别高于两种传统的人脸属性识别方法9.638%和7.605%的预测准确率。最后,针对与年龄和性别相关的训练数据集规模狭小的现状,本文提出了两种网络模型的调整策略。两种策略的平均预测准确率均超过了先进的年龄和性别分类方法。