人脸相关问题是计算机视觉领域一项重要且富有挑战性的研究课题。几十年来,已经引起诸多研究者的持续关注和探索。然而,目前大多研究只适用于非约束环境,人脸呈现出的光照、姿态、表情、年龄变化会导致识别性能的下降。其中,年龄作为一个不可控因素,使得人脸相关问题面临着巨大的挑战。目前,跨年龄人脸应用在现实生活中发挥着越来越重要的作用,比如:寻找失踪人口、识别罪犯、人证合一以及娱乐应用等。最近,生成对抗网络在图像生成和识别任务中展现出的强大能力,使人脸相关问题有了新的研究思路。本文基于生成对抗网络的相关理论和方法,展开对跨年龄人脸相关问题的研究。在对当前国内外跨年龄人脸生成和验证研究成果深入分析的基础上,本文从生成模型角度,以生成对抗网络为基础,设计改进了一种融合Res Net结构的对抗自编码器,探索跨年龄人脸生成和验证问题。本文主要工作和创新点如下:(1)提出一个改进的条件对抗自编码器(CAAE)模型解决跨年龄人脸生成问题。本文对CAAE模型设计了一系列的改进:一、考虑到人脸的对称性,本文通过改变卷积核走向来获取人脸横向的连续特征信息,比如眼睛、额头等,从而合成更加自然的人脸老化图像。二、设计基于VGG特征图的内容损失误差使得合成的图像更具有细节化。三、在编码器网络中设计Res Net结构,实现更具真实感的跨年龄人脸图像生成。对比实验的结果显示了提出改进方案的有效性。(2)提出一个基于Res Net的分解表示学习的生成对抗网络模型(DR-RGAN)解决跨年龄人脸验证问题。该网络模型由编码-解码结构形成生成器,我们训练编码器编码人脸图像非结构化信息,以分解的方式指定年龄信息编码。训练生成器,用分解方式提供的年龄特性从非结构化信息编码中生成图像。此外,模型的判别器不仅判断图像真假,还进行身份和年龄估计。通过这种方式,我们在编码器中实现年龄无关的人脸特征表示,用于人脸验证。而且,考虑到基于像素的误差会引起细节缺失。针对提出的算法,我们设计基于VGG的特征损失约束,提升了网络模型的性能。基于本文提出的DR-RGAN模型,我们在公开的跨年龄人脸验证集CACD＿VS上进行了实验验证。结果表明了本文算法的有效性。