非负矩阵分解(Non-negative Matrix Factorization,NMF)作为一种有效的数据降维和特征提取算法,已经在诸多领域获得了广泛的应用。而深度学习(Deep Learning),尤其是基于注意力机制(Attention Mechanism)的深度学习网络,也已经成为当下最火热的智能学习算法。本文在对NMF、注意力机制和深度学习进行深入研究后,提出了一种基于注意力机制的人脸属性预测方法,并更进一步提出了一种基于属性嵌入的改进非负矩阵分解算法。(1)本文提出了一种基于对称注意力机制的人脸属性预测网络(Face Attribute Prediction Network with Symmetric Attention Mechanism,FAP-SA)。该网络向基本的注意力机制中引入对称性约束,并将获得的注意力模块并行嵌入传统的卷积神经网络,构建了能对多种人脸属性进行预测的统一框架。并且,对FAP-SA网络的目标函数构建和训练过程也给出了描述。最后,将该网络在标准的人脸属性预测数据库上进行微调,之后进行了人脸属性特征可视化实验和人脸属性预测实验。实验结果表明,所提出FAP-SA网络在对人脸属性预测任务中的具有令人满意的性能。(2)本文提出了一种稀疏的属性嵌入非负矩阵分解方法(Sparse Attributes Embedding Nonnegative Matrix Factorization,SANMF)。首先,由提出的FAP-SA网络获得了人脸属性概率,构建属性概率矩阵,从而实现NMF分解中嵌入人脸图像中的高层语义信息。然后,构造了鲁棒的稀疏约束项,从而获得SANMF方法的目标函数,并相应的给出了迭代更新规则和收敛性证明。接着,使用SANMF方法实现有遮挡人脸识别的算法框架和流程也详细给出。进一步地,将SANMF作为单元算法,提出了一种深层非负矩阵分解网络(Deep SANMF),有效的获取了层次性的特征。最后,通过实验证明了SANMF方法和Deep SANMF网络的有效性。(3)本文还提出了一种双层级的特征融合网络,利用该网络搭建了一个深度注意力结合NMF的人脸识别构架(Deep Attention combined NMF face recognition framework,Deep Att-NMF)。针对FAP-SA网络获得的人脸属性特征的冗余,构造稀疏约束,从而实现一级特征融合。之后将融合后的特征同Deep SANMF的特征再进行二级融合,从何实现了更全面的有遮挡人脸识别。实验结果充分证明了Deep Att-NMF的有效性。