由于其诱人的应用前景,人脸年龄合成研究吸引了一批研究员的注意。如何保持与年龄无关特征不变、仅改变人脸的年龄属性,一直是人脸年龄合成中的一项具有挑战性的任务。研究员们尝试选择生成式对抗网络作为生成模型,值得注意的是研究结果表明虽然这些方法能够合成逼真的、具有特殊老化效果的图像,但是它们的模型还存在着一些缺点。这些方法通常会使用自编码风格的生成器,而这种结构的生成器可能会限制模型的年龄编辑能力。一方面,空间池化或者下采样操作会丢失一些重要的特征导致生成结果模糊,质量较低。另一方面,仅仅使用不同的年龄条件控制整个样本合成过程是不够的,特别是对于一些比较复杂的年龄迁移任务,这种缺点可能会变得更加明显。为了解决这个问题,本文主要提出两种不同的算法:（1）本论文提出一种基于注意力机制的生成式对抗网络人脸年龄合成算法。该算法使用两种不同的注意力机制以提高生成质量。一方面,本算法将通道注意力模块集成到生成器中,以对通道维度中的语义依赖性进行建模,从而增强隐特征的判别性表示能力。另一方面,本算法回归一个估计每个像素对最终输出的贡献的空间注意掩码,以更好地处理各种背景和光照条件下捕获的图像。此外,为了使整个脸部更逼真,本算法还引入局部鉴别器模块。在MORPH,CACD和FG-NET数据集上定性和定量的结果都验证了该算法的有效性。（2）本论文提出一种基于非局部特征迁移的生成式对抗网络人脸年龄合成算法。注意到现有的人脸年龄合成方法不能满足寿命范围的人脸年龄合成的要求,因此该算法尝试将非局部特征传输单元与编码器-解码器合并。这些非局部特征迁移单元将编码器特征、内部状态和年龄标签作为输入,能够自适应地选择和修改编码器特征,以匹配不同年龄编辑任务的要求。UTKFace数据集上的定性和定量的实验结果证明了该算法的有效性。