出于安全、隐私及治安的需要,身份识别逐渐被重视,而人脸识别由于其独一无二,难以被轻易复制的特性,在生活工作中被广泛运用。目前对人脸的识别主要集中在身份识别和年龄识别、性别识别等少量延伸任务上,对人脸的深度信息提取仍是一个较少被触及的领域。此外,人脸的部分属性在描述时通常难以被局限在面部的某个区域,往往会出现一个目标被赋予多个标签的情况,故对面部属性的描述通常被看作是多标签分类任务。本文从人脸检测出发对多标签识别任务进行研究。针对面部属性描述区域不同导致对特征提取能力需求不同的问题,对比特征提取框架,选取YOLOv4特征提取网络,并根据需求进行删改,融合改进后的Resne Xt特征提取结构,设计聚焦于轮廓的全局特征提取模块,以及聚焦于细节的局部特征提取模块,提升网络分类能力;针对面部不同区域间的空间几何信息互补问题,采用基于部分的检测思想,提取不同区域的特征图像,采用PS-MCNN网络的局部共享结构对网络架构进行组建,组合高层的语义特征,提升不同分支网络间的信息交互和特征共享;针对面部标签间的语义相关问题,提出标签加权模块,将标签在特征空间进行映射,通过改进后的LSTM结构,不断向后传递前期的预测信息,进而辅助网络进行分类,提升网络分类准确性。综合以上改进,设计MFARNet网络,在相同条件下进行测试对比,网络在对面部属性识别应用中实现了较好的效果,准确率有效提升。状态识别方面,本文对人脸属性识别的其中一个落地应用方向——疲劳驾驶检测进行实现。针对实际应用中会出现的光照条件差异问题,在图像预处理环节对图像进行局部直方图自适应均衡化,加强对光线变化的适应性,提升弱光环境下的人脸分辨度,保留人脸细节信息,辅助下一步的检测识别任务。在获取处理后的视频帧后,对人脸区域进行识别,进一步定位标志点,获取面部标志点坐标位置。提取眼睛和嘴部区域关键标志点位置信息,确定二者范围,并分别计算纵横比,对眼部睁闭状态和嘴部张合状态进行分析。提取人脸基本标志点位置信息,构建面部三维坐标轴,计算面部俯仰角,对疲劳下出现的点头状态进行识别。此外,对视频帧进行属性分析,对“模糊的”和“张嘴”两个属性进行检测,作为定位不准情况下的辅助证明参与对疲劳状态的级别分类。经真实视频测试,在不同光线条件下,系统可以准确进行面部关键点定位,进一步实现对眼睛闭合、闭眼频率、打哈欠检测、点头检测等不同参数结果的较为准确的计算和统计,能够实现面部区域状态判别和疲劳状态识别,在识别为疲劳时可实现实时屏幕提示和警示音预警功能,证实了在实际场景中的适用性。