在多媒体领域蓬勃发展以及图像视频采集设备广泛普及的今天,计算机视觉领域的相关课题越来越受到研究人员的重视。随着网络通信技术的不断发展,信息传输速率和网络存储容量都在不断提高,加上人脸信息的易采集性,互联网中人脸图像的数量爆炸增长,这对相关的研究课题,比如人脸识别、人脸检测等,提供了大量的数据样本。研究人员也在不断开发对这些数据的充分利用,不仅在提高现有课题的质量,也在不断发掘新的研究领域。在人工智能时代,基于生物信息的识别比如上下班时的人脸打卡、手机解锁和人脸支付等等正在成为人们生活中越来越不可或缺的部分。而为了迎合当代人群对人脸研究的浓厚兴趣,相较于人脸识别更加细致的人脸属性识别也应运而生。人脸属性识别旨在基于给定的人脸图像,识别出准确并且丰富的细节描述。人脸属性多种多样,包括年龄、性别、种族以及各种体貌特征等。人脸属性识别在监控安防、娱乐、刑侦、金融等各方各面都有着广泛的用途。目前该方向的大多数工作只支持单一属性识别,即使是多属性识别,也大多按照多模型并行学习的方式进行识别,这样的方式不仅会造成学习效率低下而且模型参数量和计算量巨大的问题。且随着机器学习落地实现的迫切需求以及智能手机设备的广泛普及,现如今将机器学习算法模型移植到移动设备是大势所趋。因此,在提高模型准确率的同时也必须简化模型,减少参数量和计算量。基于此,本文旨在利用卷积神经网络的强大学习能力构建简单且高效的模型,完成多属性共同学习的任务。针对现有工作存在的主要问题,本文做出的主要工作和贡献如下:1.基于深度学习,设计高效神经网络,进行人脸多属性共同学习,包括年龄、性别、种族以及颜值打分。对于多种人脸属性,本文设计网络实现多属性在浅层共享特征,在高层独立学习特有特征。共享浅层特征减少网络过拟合,高层特征独立学习提高模型精度。2.简化模型。利用不同属性特征共享原理减少参数量和计算量。另外,为了减少人脸冗余信息带来的不必要计算量,在进行属性识别之前,先利用人脸检测技术,将人脸裁剪出。其次,为了便于移植到移动端,本文在平衡识别准确率和减小计算量之间寻找最适合的人脸尺寸,从而在不影响识别准确率的前提下,尽量减小识别时间,提升用户使用体验。最终再制作安卓App并在真机进行调试,检验其可行性。3.针对现有人脸属性数据集存在的主要问题——类别分布不平衡和标签种类不能满足多任务需求,提出解决方案。对于数据集分布差异极大类别采取设置不同类间权重的方法以平衡损失函数对不同类别的偏好。对于任务中涉及属性分布于不同数据集的问题,本文提出了一种增量学习的多源数据学习方法,以达到单模型识别多属性的目的。