随着互联网的不断发展以及图像采集设备的普及,计算机视觉领域的相关问题受到了越来越多的重视。在许多计算机视觉的应用场景,如人脸识别,自动驾驶,医学影像检测等,卷积神经网络的端到端的训练方法都被证明是一种比传统的手工提取特征如Gabor滤波特征、局部二值模式(LBP)特征、生物仿生(BIF)特征等更高效的方法。尤其是在近年来计算机硬件设备的快速发展,GPU算力的大幅提高,卷积神经网络更是在图像识别领域展现出了无可比拟的优势。在现有研究工作的基础上,本文使用深度学习中的卷积神经网络研究人脸属性识别的相关问题,其中主要涉及的属性有人脸年龄估计、性别识别和表情识别。本文从多任务学习的角度出发,设计和改进卷积神经网络的结构以提高人脸属性识别的准确率,主要涉及以下三个方面:a)针对不同属性的特性,采用不同的损失函数拟合样本在数据集上的分布。对比多个损失函数所带来的性能提升,最后实验表明深度期望方法更适合当前数据集上的年龄样本的分布。b)对比不同的网络结构在年龄估计上的性能的差异(主要是Resnet80和Resnet18的相关变体结构)。c)考虑到属性识别中各个属性之间的相关性,以多任务学习的卷积神经网络为基础,将不同属性的损失函数嵌入到多任务学习的网络中,采用端到端的训练,并且对模型进行测试分析。实验结果较单属性模型(人脸年龄估计模型)的性能更好。