人脸识别是计算机视觉的一项热门研究领域,有着极为广泛的应用。在实际应用中,单独的人脸识别过于依赖已知的身份信息,而无法以一种更为直观、清晰的方式来描述该目标人物的特征。人脸属性识别即是在人脸图像中识别出某人的多种面部特征,能够很好地弥补人脸识别在身份信息缺失下的不足。本文针对人脸属性识别问题,提出了一套深度模型算法,即多任务知识迁移网络。该算法首先利用人脸属性间的相关性,对人脸属性进行分组,且根据各属性与其他属性的关联程度,将每组属性细分为“强属性”和“弱属性”。随后,算法采用Inception-v3作为主干网络,结合多任务学习的深度网络结构,分别对“强属性”和“弱属性”两部分训练强网络模型和弱网络模型。同时,本文还提出以知识迁移的方式,利用强网络所习得的参数和损失来指导弱网络的训练过程。本文分别在静态图片和实时视频流中对多任务知识迁移网络算法进行了测试。在人脸属性数据集CelebA上,该算法在40种人脸属性的识别中取得了92%的准确率,尤其在“弱属性”部分取得了目前最佳的91.89%的准确率。在实时视频测试中,本文选取了6种可度量人脸属性进行实验,同时对同一对象提取多帧进行综合考察,以避免实时视频中的单帧抖动、模糊等情况。该算法在静态图片和实时视频流测试中分别取得了95.76%和93.77%的综合准确率。实验结果显示,该算法在静态图片和实时视频流中都能够取得优秀表现,同时运算速度较快,具有实际应用的价值。