人脸作为人最显著的生物特征之一,包括丰富的个人信息。这些信息除了可用于身份认证和识别外,还可用于人脸年龄分类等应用,特别是可以将年龄及分布特征用于人机交互和商业智能等应用中,因此人脸年龄分类研究具有重要的科学研究意义和实际应用价值。在提取人脸年龄信息过程中,传统神经网络及SVM分类方法会受到复杂的非线性因素的影响,例如个体的基因差异、居住环境、健康情况和种族差别等因素。为了克服这些因素的影响,本文首先基于HMAX模型通过人脸图像预处理,仿大脑皮层特征提取和SVM对人脸年龄进行了有效地分类;然后基于深度卷积神经网络,利用卷积神经网络局部感知、权重共享和平移不变等特点,通过一系列的卷积、池化、全连接和归一化层等方法,进一步提高了人脸年龄分类的准确率。本文的主要研究内容包括:(1)提出基于HMAX模型的人脸分类方法。首先使用主动形状模型提取其中的人脸特征,之后为了减小平移、尺度和旋转的影响,需要做人脸归一化,在此基础上,使用HMAX模型提取C1-S特征,最后使用SVM对特征进行人脸年龄分类。(2)提出基于深度卷积神经网络的人脸年龄分类。首先深度卷积神经网络依赖于大量的训练数据,在原始人脸图像数量偏少的情况下,需要对人脸图像进行扩增。本文提出了分类性能比较好的深度卷积神经网络结构,通过对人脸图像进行多次实验,分别选择对网络性能有较大影响的激活函数、合理的归一化层数和Dropout保留概率。通过获取的最优化参数对人脸图像进行训练,获得了更好的分类性能。本文提出的基于深度卷积神经网络及HMAX模型的人脸年龄分类算法在FG-NET人脸数据测试集上均达到了比较好的准确率,能完成不同标准的人脸年龄分类任务,可有效地应用在安防、人机交互和娱乐影音等领域。