伴随着人脸属性的发掘和该项研究在各个领域的广泛使用,人脸检测与年龄估计也就在这个时期获得了广泛的关注和研究。由于人脸的个体差异性和人物所处环境的复杂性导致人脸检测与年龄估计任务研究的困难层出不穷,因此该任务的研究工作非常具有挑战性。随着深度学习的研究领域范围的逐渐扩大,在人脸检测与年龄估计研究方面的各种方法也不计其数,为了保证人脸检测与年龄估计有较好的准确性和鲁棒性,本文在深度学习方面进行了进一步的探索。深度学习的方法随着网络模型的复杂度上升呈现出参数量剧增和运算开销变大的缺点,但由于人脸检测与年龄估计模型大多数情况下都部署在小型可移动设备上,模型容量较大和参数量较多的模型便不合适。因此研究更加轻型的、适用于小型设备的轻量级卷积神经网络具有重要的研究价值和实用价值。本文对基于轻量级卷积神经网络的人脸检测与年龄估计进行了研究,对人脸检测与年龄估计应用时所面临的环境复杂性和设备计算能力局限性进行了分析,对当前的人脸检测模型进行了轻量化改进,对轻量化人脸年龄估计模型进行了提升并对以上方法进行总结与概述。本文的主要工作如下:对现有的人脸检测算法和人脸年龄估计算法进行了总结与归纳。针对目前应用较广的多任务级联卷积神经网络进行轻量化改进,分析该网络模型的结构和人脸检测时间占比,发现网络模型在第一阶段计算耗时最多,提出采用多尺度稀疏金字塔方法,减小尺度间隙,保障网络在检测阶段的召回率,引入深度可分离卷积操作减少模型参数量并通过批归一化等操作缩减运算开销、缩减模型计算时间,通过轻量化前后的对比试验,验证了轻量化后的模型进行人脸检测和人脸的关键点定位操作有更好的效果,并且较轻量化前网络模型容量有所减小,对于小型设备的部署更具有一定优势。对软分段回归神经网络人脸年龄估计模型做出了改进,提出了融合纹理信息的改进思想。通过将人脸面部图像经过中心对称局部二值模式算子进行处理得到特征图像,再将经过单位卷积的人脸图像与特征图像融合作为网络输入进行年龄估计。在实验中发现卷积神经网络中加入纹理信息可以提高准确率的同时增加网络模型的鲁棒性,与此同时通过对比实验验证了模型的有效性,结合不同年龄段不同肤色测试数据集检测结果验证了本文模型的作用与优势。