在图像生成领域,人脸老化是一个重要的研究方向,该任务在跨年龄识别研究领域以及当前社会泛娱乐应用上都有非常高的使用价值。不过,该任务目前仍旧存在各种困难。这些困难包括:构建数据集的过程中缺乏同一人在较长的年龄范围内的标签化人脸图像、面向该任务的深度学习网络难以训练以及生成图像与原人脸图像的身份信息难以保留等。本文的主要目标是在确保跨年龄人脸生成任务完好完成的情况下,更有效的保留人脸本身的身份信息。基于上述目标,本论文参考VAE与条件生成对抗网络构建了基于特征指导的生成对抗网络。过去针对人脸图像的任务主要都集中在人脸识别以及年龄预估,针对人脸年龄分类的任务非常稀少。这意味着年龄分类器的训练面临着数据集标注较少的困难。本文针对上述问题,首先调研过去相关工作,选定了作为人脸年龄分类的基础网络。随后,利用迁移学习方法,使用上述选定的网络训练人脸识别网络,并基于该网络进行迁移训练,将原本用于人脸识别任务的网络参数迁移到年龄分类任务上。之后,本文提出了一种新的强监督方式,即梯度指导的方式来保证生成模型可以较好的留存人脸图像的身份信息。同时,将原生成对抗网络中的鉴别器拆分为两个部分。一部分为传统的鉴别器网络,另一部分为人脸年龄分类网络,并对网络训练使用到的损失函数进行了重构。在实验过程中,使用不同分类精度的年龄分类网络作为鉴别器的一部分用以训练生成器,发现较高或者较低的分类精度会对生成器最终的效果有较大的影响。最后,比较了本文与前沿算法生成图像的效果,分析了本文所提出的算法与过去算法生成图像的效果差异。最后,基于上述模型构建了跨年龄人脸图像生成系统。