随着互联网的高速发展,全球数据总量呈现爆炸式增长。为了解决“信息过载”这一问题,推荐系统成为了学术界和工业界重点关注的对象,并且在实践中也得到了广泛应用。其中,商业模特中介行业急需一种智能且高效的商业模特推荐系统,来代替目前低效的传统模特推荐流程。然而,为商业模特中介构建一个模特推荐系统,面临了诸多的难点。首先,模特推荐系统不是一个典型的推荐系统,它缺乏大量的、多用户的历史交互数据作为支撑;其次,传统的模特推荐流程主观性极强,在构建模特推荐系统时,应该使用什么样的客观表征来描述模特的“气质”,又该如何定量地衡量模特之间“气质”的相似程度;最后,模特推荐系统又应该如何基于“气质”的相似程度,来高效地获取推荐结果。面对以上诸多问题,本论文从模特的人脸图像作为突破口,研究并实现了一种基于人脸属性提取的商业模特推荐系统,具体工作包括以下方面:（1）在多任务学习网络结构的基础上,提出了一种基于先验属性分组的人脸属性提取算法。算法分别从多任务学习网络的构建以及多任务损失函数的设计与平衡出发:首先,提出了一种先验属性分组策略,利用先验知识来指导多任务卷积神经网络的子任务分支构建,进一步挖掘人脸属性之间的相关性;其次,对多任务学习网络损失函数的设计与平衡方法进行了分析讨论,并且验证了在人脸属性提取任务中,不确定度加权方法是更为合适的子任务损失函数平衡方法。最后,实验结果表明,本章算法在Celeb A数据集上获得了91.19%的分类准确率,并且网络参数量相较单任务学习网络有了大幅下降,展示出了具有竞争力的结果,验证了基于先验属性分组的多任务学习网络结构在人脸属性提取任务上的潜能。（2）针对人脸属性提取任务的特性,提出了一种融合中级卷积特征的改进人脸属性提取算法。由于中级表征信息在人脸属性提取任务中展现出重要的价值,本算法在基于先验属性分组的人脸属性提取算法的基础上,构建了中级卷积特征融合模块和子任务独享的注意力机制模块。前者负责从主干网络中高效地提取中级卷积特征并且进行融合,以此弥补中级表征信息在网络中的弥散,增强主干网络所提取的共享特征的信息量;后者负责为每一个子任务分支赋能,使其可以根据自身任务的具体情况,依托注意力机制,有选择地学习共享特征中对其有益的特征信息,从而提升子任务学习特定特征的能力,减少冗余信息,增强人脸属性提取的效果。实验结果表明,基于上述两个模块的改进人脸属性提取算法,其人脸属性分类准确率在Celeb A数据集上获得了有力的提升,最高取得了92.35%的分类准确率,并且把网络参数量控制在16.8M的较低水平,优于若干现有算法。同时,本算法高效且易于实现,这为后续构建商业模特推荐系统打下了坚实的基础。（3）从模特人脸图像作为切入点,提出了一种基于人脸属性提取的商业模特推荐算法。本算法主要分为两部分:首先,基于融合中级卷积特征的改进人脸属性提取算法,本算法构建了人脸属性提取模块,通过提取人脸属性特征组来客观表征各个模特的“气质”,使推荐算法能够利用特征组之间的距离来对“气质”的相似程度进行定量分析;其次,针对没有大量的、多用户的历史交互数据的应用情景,本算法构建了基于“人脸属性特征—模特”矩阵的协同过滤推荐算法模块,从而能够借助人脸属性特征组建立共现矩阵,并通过共现矩阵呈现的相似性关系,高效过滤模特数据库,最终得到最佳的推荐结果。同时,本文根据实际应用场景,基于所提出的商业模特推荐算法,构建了一个具体的商业模特推荐系统,系统主要实现了两大功能:为商家寻找心仪的模特、为模特寻找“气质”相符的品牌。最终实验结果表明,以本算法构建的商业模特推荐系统高效,且系统中两大功能的第一推荐结果在用户主观评价中分别获得了4.49/5和4.34/5的平均满意度得分,说明系统在具体工程应用中获得了认可,能够有效代替传统的商业模特推荐流程。