基于人脸图像的性别识别和年龄估计是模式识别领域的重要分支,对于实现友好的人机交互有着重要意义。本文从特征提取和分类估计两个方面入手对性别识别和年龄估计进行了分析研究,并针对这两个方面分别提出了改进方法。本文的主要工作如下:(1)针对单特征不能充分描述人脸图像的形状信息和纹理信息,提出一种融合 HOG(Histogram of Oriented Gradient)和 ML-GMM(Multi Level Gaussian Mixture Model)特征提取方法。利用HOG算子提取形状特征,充分描述样本的外观轮廓信息;同时提出一种多层混合高斯模型提取纹理特征,通过构建多层混合高斯模型来描述不同区域在整幅图像中表达的多层纹理信息;最后通过级联的方式融合两种特征,使得融合特征能够充分地刻画人脸图像的形状信息和纹理信息,利于下一步的分类估计工作。利用支持向量机(Support Vector Machine,SVM)对提取的融合特征进行性别识别,实验结果表明,所提出的融合HOG和ML-GMM特征提取方法优于现有的单特征和混合特征提取方法,获得了更高的性别识别率,说明所提出方法能够更好地表征人脸图像的性别特征。(2)针对单层估计模型在年龄估计上的局限性,提出一种基于SVM-KNN(K-Nearest Neighbor)加权的双层年龄估计模型。在年龄估计过程中,首先利用SVM对样本进行粗分类,判断样本的大致年龄范围;考虑到相邻年龄之间的相似性对真实年龄估计的贡献,再利用KNN思想在预测的年龄范围内求取样本与连续K个年龄距离最小的年龄类别序列,将样本与年龄类别的距离作为权值,最后通过加权估算样本的最终年龄值。实验结果表明,基于SVM-KNN加权的双层估计模型在年龄估计上取得了优于常用的单层估计模型和双层估计模型的识别效果,大大降低了平均年龄估计误差,提高了年龄估计精确度。(3)针对性别信息和年龄信息在各自识别过程中对彼此造成的干扰和影响,提出一种自动估计性别和年龄的分层模型。第一层利用SVM方法对提取的样本特征判断大致年龄范围;第二层将已预测的年龄范围作为先验知识,在已知年龄范围内利用SVM估计样本的性别类别,减少年龄信息对性别识别的干扰;第三层将预测的年龄范围和性别类别作为先验知识,利用KNN加权算法估计样本的具体年龄值,减少性别信息对年龄估计的干扰,同时已知年龄范围也缩小了年龄估计的误差范围。实验结果表明,自动性别识别和年龄估计的分层模型减弱了性别信息和年龄信息之间的互相干扰,同时提高了性别识别率和年龄估计精度。