随着社会信息化的不断深入,人脸属性信息的采集和利用在人们的日常生活中逐渐普及。人脸能够集中反映人的多种属性,包括身份、性别、年龄、体貌特征、穿着装饰等。其中,身份是人脸属性中最重要的一个,并且基于人脸的身份识别和验证已经存在很多的研究。传统的人脸识别,就是指对人脸代表身份的判别,这方面的研究已经日趋成熟。本文主要从年龄估计、亲属关系验证和人脸多属性估计等三个具体的人脸属性估计任务进行了分析研究,针对它们在现阶段存在的主要问题提出了具体的解决方法。本文的主要工作及贡献如下:1、在对年龄估计任务的研究中,针对训练数据不足、脸部外观年龄在不同的年龄段具有不同的变化速度等问题,提出了年龄标签分布参数自适应学习的深度学习框架。假设标签分布是离散高斯分布,采用深度卷积神经网络(Deep Convolution Neural Network,简称DCNN)和反向传播(Back Propagation,简称BP)算法端到端得为每一个年龄学习合适的分布参数,从而更好地进行年龄估计。2、在对亲属关系验证任务的研究中,发现对不同亲属关系的人脸图像对进行是否具有亲属关系的判别时,难易程度是不同的。针对这个问题,提出了边界阈值(margin)自适应三元组损失算法。每一种亲属关系的边界阈值在训练时都会不断地得到更新来适合当前的网络状态,从而允许更多的数据用于训练,达到让具有亲属关系的人脸在特征空间的距离尽可能接近,否则尽可能远的目的。此外,还提出了两种更新边界阈值的策略进行对比,并采用DCNN框架进行实验。3、在对人脸多属性估计任务的研究中,针对属性检测应该从属性自然显现的位置而不是整个空间域的问题,提出了位置压缩激励(Position-Squeeze and Excitation,简称PSE)模块,该模块通过将不同通道对应位置的空间信息压缩成一个位置描述符,并利用sigmoid激活函数来捕获网络对特征空间不同位置的依赖程度。PSE模块可以帮助网络从属性自然显现的位置学习更多的有用特征。最后,采用基于DCNN搭建的深度多任务学习框架进行端到端的学习。