对于我们人类而言,拥有着复杂结构以及丰富细节等特点的人脸是十分重要的生物特征之一,它能够表达出众多的属性信息,来帮助我们在日常生活中进行无需言语的沟通交流。人脸属性包括年龄、性别、种族、表情等生物特征,利用机器学习的方法来识别出各自不同的属性特征即为人脸属性识别算法。现在主流的图像分类算法多采用了基于卷积神经网络的深度学习方法,但对于高度相似且数据繁多的跨域人脸属性识别问题却仍面临着挑战。为了解决上述问题,本文提出了一种基于卷积神经网络的跨域多任务人脸属性识别方法,其中,跨域是指能够在非限定条件下在跨数据集数据中同时识别出不同种类的人脸属性信息,并在摄像头拍摄中达到了实时检测的效果。该方法主要包括双线性高效注意力网络（Bilinear Efficient Attention Networks,BEAN）结构、改进后的人脸特征提取网络以及多任务学习三个部分。本文主要工作内容如下:针对人脸属性高度相似且类内差距大、类间差距小等特点,本文提出了双线性高效注意力网络算法,选择了一种高效的ECA（Efficient Channel Attention）模块来代替SE模块实行卷积神经网络之中的注意力机制,并利用双线性结构帮助网络均衡化不同阶层的信息。实验表明,该网络结构在每个待分类的人脸属性数据集之上都有着良好的性能,且每种属性分类结果与传统的卷积网络结构对比都有着显著的提升。为了进一步提升网络的性能,增强网络对外界条件变化的鲁棒性,本文从光照变化校正和几何变化校正两个方面入手,提出了Gamma自动光照校正以及融合Gabor滤波器两种方法,对BEAN中的人脸特征提取网络进行改进。实验表明使用了Gamma自动光照校正后能够有效提升识别的精度,同时结合改进后的Gabor卷积层算子,能够进一步提升BEAN对人脸属性识别的性能。针对现实生活中存在的人脸属性数据集冗杂、样本不均衡以及标签缺失等问题,本文提出了一种基于跨域多任务学习的人脸属性识别方法,通过基于半监督的数据集集成方法形成一个具有统一输入与标签格式且样本均衡的人脸属性数据集,并对BEAN的结构进行改进,实现了跨域多任务人脸属性识别问题。实验表明,该网络模型有较好的精度效果,在本文集成的数据集上,性别、种族以及表情类别,分别达到了94.15%、85.92%和83.91%的精度,在年龄分类任务中,平均绝对误差减少到了4.89。