近几年,年龄估计引起了国内外学者的广泛关注并且有着广泛的应用前景。然而,由于人的年龄特征具有较强的个体差异性和不可控制性,人的饮食,健康,生长环境,生活方式,甚至心理因素等外在因素都会影响到年龄的估计,现有的年龄估计结果和实践经验表明,年龄估计的研究还需要对特征分类器进行更深入的研究。　　本文提出了对特征分类器进行研究与优化,实现对年龄段的分类。本文针对以下内容,进行了一系列的创新性研究:　　(1)提出了一种新的以可视化特征为依据的年龄段分类方法:基于标准的FG-NET数据库,提出了依据年龄增长的可视化规律将人脸年龄划分为5组的年龄估计系统。即婴儿(0-2)、儿童(3-10)、少年(11-18)、青年(19-39)、中老年(40-69)。从而将年龄估计问题转化为分类问题来研究,并取得良好效果。　　(2)提出了一种新的人脸特征归一化预处理技术:通过人脸检测模块分提取出人的脸部区域并对图像进行预处理。将彩色图像灰度化,便于各种特征提取具有统一标准,并灰度均衡化,消除光照等背景影响,然后标定每张图像的人眼位置,将图像进行旋转,尺寸归一化为160*160的图像。　　(3)根据年龄特征的提取方法进行了对比性研究:通过实验对主动外观模型法(Active Appearance Model,简称AAM)、Gabor小波特征提取法、局域二值模式方法(Local Binary Pattern,简称LBP)进行了比较性研究。比较了323344,,三种方格划分的性能。对Gabor小波和LBP组合、LBP与AAM组合进行了比较研究,并发现了特征提取的规律。　　(4)为了进一步优化特征分类器,本文设计了一套适用于人脸年龄分类的分类器选用策略:采用支持向量机分类器和高斯径向基核函数组合,利用网格搜索的交叉验证法搜索最优参数,用“一对一”的多分类方式实现对人脸年龄分类。　　本文的工作通过系列的比对实验,对多种经典的特征分类器进行研究和进一步优化,提出新的特征分类器与基于年龄分类的策略,并对所提算法进行了软件实现,依托标准人脸库进行了分类实验,比较了几种特征分类器的准确率,并进一步总结了不同特征分类器的基本应用规律。