标签噪声的存在将会大大降低机器学习和计算机视觉应用中学习模型的性能。标签噪声学习试图从嘈杂的数据集从学习到一个具有良好鲁棒性与泛化性的模型。最近,作为一种中级语义特征,人脸属性可以用来描述人脸的某些特征。人脸属性识别任务的目的在于识别出给定人脸上的某些特征。作为计算机视觉领域中一个重要且热门的领域,人脸属性识别任务具有相当多的应用场景。然而,由于人脸属性所具有的主观性与不确定性,导致人脸属性数据集中出现了未知比例的噪声标签样本问题,从而影响领域的发展。因此,如何利用标签噪声学习进行有效人脸属性识别值得深入研究。本文的工作具体如下:第一、提出了基于小投票样本选择的标签噪声学习算法。目前主流的基于样本选择的标签噪声学习算法仅仅依靠当前批次信息无法准确地识别噪声标签样本。为此,提出了基于小投票样本选择的标签噪声学习算法。特别的,该算法设计的层次化投票机制有效地结合样本所具有的历史信息与当前信息作为选择准则。此外,在层次化投票机制的基础上,该算法设计了一个自适应正确样本比例估计策略,利用一维混合高斯分布自适应地估计正确样本的比例。该算法在多个公开的数据集上取得了优异的效果,验证了我们算法的先进性与有效性。第二、提出一种面向人脸属性识别的基于小梯度范数样本选择的标签噪声学习算法。考虑到人脸属性识别数据集受到不同比例的噪声标签样本问题的影响。为此,提出了面向人脸属性识别的基于小梯度范数样本选择的标签噪声学习算法。特别的,该算法设计了一个潜在噪声标签样本选择策略。通过梯度范数准则对数据进行划分,选择出潜在噪声标签样本。根据属性的批次梯度范数分布,自适应地为每个属性设定噪声标签样本比例,从潜在噪声标签样本集中选择性地剔除不同比例的噪声标签样本。该算法在两个公开的人脸属性数据集上进行了实验,验证了我们算法的有效性与先进性。