人脸属性预测在娱乐、安防、社交媒体等实际应用中扮演着重要角色。现有研究多采用分类和回归性能较好的经典机器学习算法对人脸单个属性进行预测,由于单属性预测算法提取的特征较浅,未能挖掘更深层的特征,人脸属性预测准确率难以达到现实应用需求。随着计算机技术的快速发展,深度学习算法能高效地获取与属性相关的浅层和深层特征,能够取得比经典学习算法更好的性能,但由于深度学习算法层数较深,需大量的训练样本,现有的公开人脸数据集难以满足这样的需求。如何设计浅层神经网络,提取有效的属性特征,使算法分类器或回归器能充分利用这些特征进行最终预测是人脸属性领域的一大挑战。本文试图结合深度学习算法和经典学习算法特有的优势设计新的算法以达到更好的预测结果。人脸大多数属性预测是一个二分类问题,如性别、种族、皱纹、胡须等属性,预测过程相对容易。年龄属性预测是一个回归问题,易受到人脸其它属性以及外界因素的影响,故年龄预测是人脸所有属性预测中最有挑战性一个研究,这是本文的研究重点。此外,目前的大多数算法仅针对人脸单个属性进行预测,不能同时对多个属性预测,而人脸属性之间是有很强的关联关系,挖掘出属性之间的关联关系能增强单个属性原有特征信息,从而提升每一个属性的预测性能。因此,本文探索多属性之间的关联关系,用于增强每一个关联属性的原有特征信息,从而提升多属性预测的准确率。主要工作和创新点如下:首先,为在未经过人工处理的人脸数据集上取得较好的年龄预测性能,本文提出一种集成的CNN-ELM年龄识别算法。卷积神经网络（CNN）充分地提取图片里有价值的属性信息,并用极限学习机（ELM）进行最终的属性预测。CNN-ELM以端到端的方式进行学习,能充分利用卷积神经网络良好的特征提取特性与极限学习机快速和高效地处理能力,并在未经过人工处理的Adience数据集上取得较好的性能。其次,由于CNN-ELM算法未考虑性别和种族属性对年龄预测的影响,本文提出一种集成的CNN2ELM属性增强算法。该算法包括三大部分:年龄属性特征增强、ELM分类器对年龄区间的划分、ELM回归器对年龄进行预测。首先将提取的性别特征和种族特征融合到年龄特征中。然后,ELM将它们划分到某个年龄区间内。最后,ELM回归器对年龄特征进行最终的预测。然后,CNN-ELM和CNN2ELM算法都是基于静态的图片进行年龄估计,而年龄是人脸老化的具体体现,且人脸老化规律符合一种流形分布,如算法能很好的学习到该流形分布,就能精准地判断人脸年龄。针对人脸老化或者年轻化的流形分布特性,本文提出一种年龄预测模型AR-Net。首先,AR-Net使用一个生成对抗神经网络（GAN）来学习人脸面部数据集的老化或年轻化的流形分布的特性,将训练好的GAN用于生成各个年龄组的老化和年轻化的特征,并将这些特征用于训练相应的ELM回归器。然后,将AR-Net部署在每个边缘服务器上,对行人进行年龄估计;同时利用边缘传感器收集的人脸图像对预测模型进行不断更新,确保AR-Net具有较好的泛化性能。最后,用Morph-Ⅱ、CACD和在线获取的人脸数据集验证AR-Net的性能。最后,CNN-ELM、CNN2ELM、AR-Net三种算法都是对人脸年龄进行估计,但人脸属性之间是有很强的关联关系,这种关联关系不仅能增强年龄属性特征信息,同时也能增强与年龄属性关联的其它人脸属性信息。为充分挖掘和利用属性之间的关联关系,本文提出了一种针对人脸属性预测的多任务关联算法（MTCN）。MTCN首先共享浅层图像特征,区分各属性高层特征。同时,在高层特征提取过程中,每个属性子网络从其它网络中挖掘出与其密切相关的特征信息,以增强属性原有特征信息。然后,采用一种新的张量相关分析算法（NTCCA）将网络高层特征投射到紧密关联的二维空间中。最后,MTCN对转换后的特征进行预测,并在CelebA和LFWA测试数据集获得最好性能。