随着生成对抗网络的出现和迅速发展,很多基于生成对抗网络的算法已经被运用到了各个领域方向中,并解决各种各样的问题,比如人脸去遮挡,图像转换,文字语义分析到图像生成等等,生成对抗网络在图像应用领域呈现井喷式的发展。目前,生成对抗网络在人脸老化和属性转换上并取得了不错的效果,但是这些文章把重点放在人脸老化生成图像效果上,而且细粒度的年龄被区间分组化,很少有文章深入研究细粒度精确年龄人脸生成和其在优化分类模型上的研究和利用价值。相比传统的数据增广和生成模型生成数据来说,生成对抗网络它不依赖马尔科夫链而直接生成图像的形式使生成样本速度更快,生成数据质量更高,在样本多样性上也相比传统方法有较大改善,目前的很多公开人脸数据库也很大程度受限于有限的数据量,本文针对生成对抗网络强大的生成能力提出基于生成对抗网络做多属性细粒度人脸合成,并利用生成图像优化由有限非均衡数据集预训练的年龄估计模型,探讨生成数据在改善年龄估计模型性能上的实用性,本文实验部分将在不同的公开人脸数据库上进行算法验证,本文的主要工作具体描述如下:(1)针对优化实验需要构造和生成类似于训练数据集的多属性细粒度年龄人脸图像的问题,提出基于CatGAN思想的细粒度多属性(年龄、性别和种族)人脸合成模型FM-GAN,生成的图像无论在图像质量或者在多样性上都有较好的效果,另外关于细粒度的年龄、性别、种族多属性表征信息都被很好地从其他变量中提取出来;(2)提出一套定量衡量方法来度量生成图像的质量和辅助现有模型训练优化性能的有效性,通过实验证明生成对抗网络的生成数据能够在多个数据集上实现对年龄估计模型的优化;(3)针对辅助优化模型性能的方法中存在离线图像选择完全依靠手动且没有太多依据,耗费大量时间和精力,图像占用大量空间等问题,提出基于生成对抗网络的自训练优化模型算法,把算法改为在线优化形式,让生成对抗网络生成能力直接参与到现有年龄估计模型优化上,也让现有年龄估计模型能够自主挑选达到要求的生成图像并应用到优化中。本文研究的GAN生成数据离线和在线形式优化模型都实现了优化现有模型的结果,在多个公开人脸数据集上模型性能都有一定的提高,在线相比离线方式来说依靠待优化模型选择生成图像的方式更加合理且有效。