人脸年龄合成是研究某个人过去和未来相貌的一门技术,这项技术在现实生活中有很广泛的应用,例如寻找失踪人口,影视娱乐,公益项目宣传等。但众所周知,人脸图片中包含很多重要信息,如:性别、表情、身份、年龄等,如何获取这些信息以及如何保留更多的有效个人面部信息,使生成的图片更像本人值得深入研究。此外,由于数据稀缺,人脸年龄合成领域的研究始终面临巨大的挑战,如何解决数据稀缺的问题也值得深入探讨。针对上述问题,本文提出了一些有效的解决方案,主要工作内容如下:（1）提出一种人脸年龄合成方法,该方法通过条件变分自编码技术,先对人脸图像进行编码得到人脸特征向量,再将人脸特征向量与目标年龄相结合,以此来生成符合年龄条件的人脸图片。实验表明,该方法在目前已有的数据集上进行训练和测试,可以生成效果良好的回归和老化的人脸图片。（2）提出一种面向弱标签数据训练的方法,通过半监督学习技术对人脸特征进行学习,完成对人脸年龄合成模型的训练。与目前现有人脸年龄合成方法相比,该方法可以在完成人脸年龄合成任务的同时,解决数据集标签不精确,缺乏匹配年龄段人脸图片数据的问题。（3）提出一种基于循环优化算法的人脸年龄合成模型,该模型将人脸图像先通过编码器得到人脸特征向量,加入年龄条件生成新的人脸图像后再输入编码器得到新的人脸特征向量,通过引入个人信息损失函数,可以保留更多的个人面部特征信息,同时,对模型加入性别约束进行男女分组训练,可以使生成的回归/老化的人脸图片效果更优。经过大量实验分析与对比,充分验证了本论文模型较其他已有模型的优势,本论文模型可以生成视觉更真实,效果更良好的回归和老化人脸图像,可应用于不同场景。