随着人工智能与互联网技术的飞速发展,现代社会初步构建了若干以人为核心的智慧城市,而人物身份识别与验证是智慧城市中重要环节之一。以人脸识别为核心的刷脸技术,因具有用户交互方便、准确率高、非接触式、适合远程核身等特点,成为当前被普遍看好的互联网安全保障技术。近年来,人脸技术取得了突破性的进展,大幅度提升了识别与验证精度,甚至在某些数据集上超过了人类的表现,从而为该项技术的切实应用奠定了基础。目前,人脸技术已经广泛应用于门禁、考勤、银行网络支付等领域,并尝试应用于公共安防、金融安全等。然而,随着应用范围的越来越广泛,尤其是涉及到公共财产安全的应用,对人脸识别与验证的精确度和可靠性要求也越来越高,这也为该项技术的进一步发展提出了新的要求和挑战。比如,如何应对复杂自然环境中人脸验证精度不足的问题;如何在人脸图像的画质低下的条件下保持识别准确率;如何尽最大可能降低光照环境、人脸姿态、表情、年龄等因素的变化对人脸识别精度的影响等。为应对人脸技术所面临的上述挑战,本论文研究基于度量学习的人脸验证算法以及年龄无关人脸识别算法。本文的主要创新点如下:1.提出了一个基于Sigmoid函数的非线性人脸验证模型。本论文考虑人脸验证即判断两张脸是否来自同一个人的问题。尽管相关工作很多,但面对照片拍摄过程中的变化,如光照、姿态、表情、遮挡等,人脸验证技术仍面临巨大挑战。本文提出的方法基于这样一个目标:具有相同标签的人脸对的相似性尽可能的大,不同标签的人脸对相似性尽可能的小。为此,本方法将相似性函数与Mahalanobis距离相结合,并用Sigmoid函数进行投影,得到度量函数。该函数有如下两个特点:（1）对类内变化具有判别性;（2）对类间变化（如姿态、光照、表情）具有不变性。此外,该模型的优化函数是凸的,这就保证了其全局最优解。同时,该度量的非线性使其在处理异构数据时比线性度量更加鲁棒。在LFW数据集上获得的人脸验证准确率优于代表性的人脸验证算法。2.提出了一个受特征脸启发的年龄无关人脸识别模型（Eigen-Aging Reference Coding,EARC）。通过年龄无关人脸识别方法CARC的观察,发现如下三个问题:（1）参考集很大,原因在于其要涵盖不同的年龄、性别、种族等,这会导致编码特征的信息冗余,影响人脸识别的结果;（2）计算量过大,无法充分利用所有的训练数据;（3）在稀疏编码中,CARC只使用了局部约束来保证光滑性,而未考虑全局约束的作用。针对以上问题,本文提出一个新的本征年龄参考集编码方法。受特征脸（Eigenface）的启发,本方法将利用PCA来减少参考集中特征的个数,选出更具代表性的若干个特征用作参考集,从而降低编码特征的维度,在提升算法准确率的同时大大地降低了整个编码过程的计算量,从而大幅提升了算法的计算速度。3.提出了一个基于鲁棒特征投影的年龄无关人脸识别模型（Feature Mapping and Encoding Method,FMEM）。在自动人脸识别中,一个显著的障碍是大的年龄跨度,随着年龄的变化,人脸特征也会发生显著变化,这就为特征对年龄引起人脸变化的鲁棒性提出了更高的要求。尽管近几年涌现出很多有前景的人脸识别算法,但由年龄变化引起的显著的类内变化仍然是一个大的挑战。本文集中于去除人脸特征中与年龄相关的信息,得到年龄无关的人脸特征。为此,本文提出学习一个特征映射,将原人脸特征映射到一个对噪声和由年龄引起的类内变化较为鲁棒的特征空间,然后将新特征进一步编码,得到最终的年龄无关人脸表示。在数据集CACD和MORPH上的识别结果表明了本文所提算法的有效性。同时,为了检验方法的通用性,本文还将方法应用到深度特征上,实验结果在浅层特征基础上得到了很大的提升。同时,与CARC导致深度特征识别准确率下降不同,本文方法将深度特征的准确率又提升了若干个百分点。此外,在CACD-VS数据集上,本方法结合深度特征的准确率超过了人工结合投票的准确率。