随着人工智能、计算机视觉、人机交互技术(HCI)的发展,人脸特征识别技术也取得了迅猛发展。与人体其他生物特征相比,人脸特征具有方便、友好和非接触性等优势,使其在身份认证、视频检索、安检系统以及人口统计和管理等领域有着巨大的应用前景。基于人脸图像的年龄估计因具有重要的理论意义和实际应用价值,而成为模式识别和计算机视觉领域的研究热点。　　年龄特征具有较强的个体差异性和不可控制性,要让计算机自动完成年龄判别是一项极具挑战性的工作。因此,本文将年龄估计转换成对人脸图像的年龄组分类,并立足于国内外已有的研究成果,对年龄组分类问题做了更进一步的探讨。本文的主要工作及创新点如下:　　(1)基于 AdaBoost-SVM级联的人脸检测算法进行研究。年龄特征仅分布在图像的人脸区域中,因此年龄组分类的首要环节是对图像进行人脸检测,且检测效果直接影响到年龄组分类的准确率。本文研究了基于 AdaBoost的人脸检测算法和基于支持向量机(Support Vector Machine,SVM)的人脸检测算法,分别比较了两种算法的优缺点,进而提出一种基于AdaBoost-SVM级联的人脸检测算法。实验结果表明该级联算法在检测速度和准确率上都有一定程度的提高;　　(2)提出一种加入全局几何变换的AAM模型匹配算法。采用基于主动外观模型(Active Appearance Model,AAM)的算法自动定位人脸特征,并且提取与年龄组分类相关的特征,复现了AAM算法的建模过程。利用反向组合算法将AAM模型与测试图像进行匹配,由于反向组合算法并没有充分利用AAM模型的形状特征参数,AAM模型的表征能力不够理想。本文提出一种加入全局几何变换的 AAM模型拟合算法。实验结果表明,该算法能够增强AAM模型的表征能力,进一步提高匹配效果;　　(3)在MATLAB实验平台下,利用支持向量机多分类算法进行年龄组分类研究。实验结果显示,基于AdaBoost-SVM级联算法的人脸检测率高达99％,加入全局几何变换的AAM模型拟合算法的年龄组分类准确率达到84%。与AdaBoost人脸检测算法的检测率(96%)和反向组合算法匹配下的分类准确率(75%)相比,均有明显提高。可见本文提出的算法有效提高了年龄组分类的准确率和分类效率。