年龄估计是生物特征识别领域中新的研究方向，人脸中包含大量的和年龄相关的信息。但是目前由于年龄的特殊性质，基于人脸的自动年龄估计工作基础薄弱，有的需要人工的干涉进行初步的分类或者标注，并且准确率还有待改进提高。针对这一现状，根据年龄的特殊性质，引入和人脸年龄性质有更强的契合度的基于多标签学习的方法来学习训练人脸样本，提高年龄估计准确率。现在常用的自动人脸年龄估计方法大多为把人脸样本的年龄标签视为一个精确的值，忽略了大部分情况下，每个人其实处于两个年龄值的过渡阶段；而也有可能存在被测试人误报年龄的情况。这些都导致了年龄变化数据的不标准性和不可靠性。同时，由于不同年龄值的人脸样本采集难度大，加上年龄类别多，导致年龄估计中有效的训练样本匮乏。基于这种传统的单标签人脸样本存在的问题，讨论和利用到人脸部年龄特征变化缓慢而连续的特性，采用多年龄标签的形式表示人脸样本，使用多标签学习方法，使一个人脸样本可以为更多的邻近年龄值的学习做贡献，模糊化的标签一定程度上处理了年龄数据的不可靠性。多标签年龄估计被进一步改进，引入了多示例多标签学习方法。对多标签学习及其改进在年龄估计上的应用进行了详细的描述，并且对实验结果进行了综合分析，基于公开的FG-NET年龄数据库的实验表明，基于多标签的年龄估计方法，有效的提高了年龄估计的准确率，对于基于多示例多标签的年龄估计方法也进行了探讨。