人脸识别技术能够无感识别,在现实生活中得到广泛应用。然而人脸的面部特征随年龄的变化发生改变,对人脸识别的性能造成严重影响,出现人脸无法识别或者识别错误的现象,如何抑制年龄因素提取年龄不变的人脸特征是跨年龄人脸识别任务的关键。本文以提取年龄不变的身份特征为目标,引入传统算法和年龄估计算法作为辅助机制,完成跨年龄人脸验证任务。研究内容主要分为以下几个部分:（1）针对公开数据集FG-NET、MORPH Album2中数据样本存在局限性和年龄分布不均衡的问题,构建了一个综合数据集。FG-NET数据集中年龄分布在0-24岁的数据占据约79.24%的比例,而MORPH Album2数据集同一人的样本年龄跨度较小,存在一定的局限性。针对这些问题,分别取两个数据集中的部分样本构建年龄跨度为0-77岁的综合数据集,从而提升算法的鲁棒性和泛化性。（2）提出一种传统算法和深度学习算法相结合的跨年龄人脸验证方法。首先改进LBP（Local Binary Pattern）算法,提出双编码平均局部二值模式（Dual-coded Average Local Binary Pattern,DCALBP）算法,以DCALBP算法和梯度直方图算法（Histogram of Oriented Gradient,HOG）作为辅助机制提取人脸纹理和形状特征,引入典型相关性分析（Canonical Correlation Analysis,CCA）进行特征融合,得到年龄特征向量;选用孪生网络（Siamese Net）作为模型结构,两个网络分支共享权重,将原网络中的CNN模块替换为残差网络（Res Net）,用于提取人脸特征;最后把年龄特征从人脸特征中分离,得到一组年龄不变的身份特征进行匹配,判断图像对是否为同一个人。实验表明使用DCALBP和HOG算法作为辅助机制,能够有效降低年龄因素对人脸验证系统的影响,提升人脸验证的鲁棒性及准确性。（3）提出一种基于年龄估计的跨年龄人脸验证方法。引入多任务学习思想,在一个网络中同时实现年龄估计和跨年龄人脸识别任务。选用孪生网络作为基本结构,CNN模块替换为残差网络（Res Net）,每个分支网络同时实现年龄估计和跨年龄人脸验证。两个任务共享浅层特征,在深层网络每个任务有针对性的学习到适合自身的特征,在年龄估计任务中,提取的特征与年龄相关性较大,得到年龄特征向量;之后在身份认证的任务中分离出年龄特征,得出年龄不变的身份特征进行匹配,实现跨年龄人脸验证。通过在公开数据集上实验,验证了该方法的有效性,使用年龄估计辅助跨年龄人脸验证,两个任务提取到的特征相互约束,提升人脸验证准确性的同时,也提升了网络模型的泛化性。