近年来,基于深度学习的人脸识别算法取得了长足的发展,依靠其安全可靠和使用便捷的优点,在社会生活中已经得到了广泛应用。但是对于人脸特征库未及时更新带来的年龄跨度较大的人脸识别任务,一般的人脸识别技术遇到了一定的瓶颈。现有的跨年龄人脸识别技术计算复杂,且泛化能力有限,距离部署到移动终端,形成落地应用尚有一段距离。另一方面,因为神经网络的训练需要巨大的计算和存储资源,目前的神经网络模型在服务器训练完成部署到端侧设备后,参数不再改变,这就很难适应复杂多变的真实场景。因此,面向嵌入式移动终端,实现高效的跨年龄人脸识别和在线训练就具有相当强的现实意义。本文基于主流的跨年龄人脸识别技术中的判别式算法,简化了年龄和身份信息分离的处理流程,设计出一种基于线性特征分离的跨年龄识别模型。通过改进轻量级CNN网络,减小了特征提取所需的参数量和计算量;提出“两点表示法”表示年龄向量,提升年龄估计的准确性;使用多任务联合训练,有效地训练特征分离网络;提出适用于移动端在线训练的优化器算法,使得网络模型能够根据真实场景下的数据分布进行在线训练。针对人脸识别算法在移动端部署的需求,将人脸检测模型MTCNN进行8-bit量化,减小了硬件资源的压力;同时针对卷积神经网络自身的特性,对嵌入式程序设计和实现进行了优化,使用图像转列（im2col）和通用矩阵乘（GEMM）加速算法,有效提升了卷积计算效率。最后在嵌入式平台树莓派4B上实现了人脸识别在线训练算法。本文基于特征分离的跨年龄人脸识别算法,参数量仅为1.05M,在三个公开的跨年龄人脸数据集上取得了较为理想的准确率（CALFW-94.10%,MORPH-98.79%,Age DB-94.32%）。同时,本文提出的适用于移动端的人脸识别在线训练的功能,单次遍历CALFW测试集进行真实场景在线训练的仿真可以取得0.1%的精度提升。人脸识别算法在移动平台树莓派4B上实现了11fps的运行速度（人脸检测+识别）。本文的研究对未来高精度快速的跨年龄人脸识别技术,特别是在线学习的最终实现,具有一定的参考价值。