本文主要研究了基于深度学习的人脸性别识别算法。所谓人脸性别识别就是利用计算机分析人脸视频或者图像,并从中提取出有效人脸性别信息,最终判别出来人脸对象性别。其应用已经融入到了生活中的方方面面,诸如视觉监控,自动身份验证,银行安全,门禁安全等领域。首先本文使用IMDB-WIKI数据集中的男性与女性图片作为训练模型的数据,然后给出了基于分类的人脸性别识别中的主要技术,包括图像处理中的空间变换、线性插值方法、卷积神经网络等。并给出了 VGGNet、GoogleNet、ResNet使用深度卷积神经网络进行的图像特征提取方法的结构与实现方法。接着,本文给出了一种对人脸图像数据进行预处理的方法。该方法使用级联神经网络来对图片中的人脸候选区域进行筛选,利用不同复杂度的卷积神经网络对不同阶段时不同数量的候选人脸样本区域进行筛选,通过级联的网络结构将大量样本归结为最终的人脸区域输出。然后将检测识别到的人脸区域送入分类器网络中,从而得到人脸图片所对应的性别。因为训练样本中人脸的姿态都是直立的,因此为提高模型识别的精确性,本文利用级联神经网络得到的面部特征点对人脸面部进行姿态的矫正。本文针对提出的人脸性别识别任务,在深度卷积神经网络结构的基础上,提出了一种改进的算法结构,从而在得到可靠精确度的同时,也能达到较为可靠的计算速度。由于数据集较小,过于复杂的模型结构以及过多的参数都会导致模型难以收敛,为此本文设计了一种结构较为简单的卷积神经网络结构用于本文的人脸性别识别任务,并实验了多种深度神经网络结构对于算法性能的提升情况。结果发现在使用了 Drought和Batch norm技术后,模型的精度可以得到明显的提升。最后本文设计了一个人脸性别识别系统。针对视频序列以及静态图片,实时检测图像中的人脸信息,并将检测到的人脸信息显示到图片中,实现人脸性别的动态监测与识别。