人脸年龄估计已经成为机器视觉领域的一个研究热点。国内外许多学者都对其进行大量的研究,但是由于年龄变化是一个极其复杂的过程,它受到生活环境、基因遗传等因素影响。通过人脸图像来预测年龄值依然是一个非常具有挑战的课题。研究人脸年龄估计可分为年龄特征的提取和年龄的估计。根据目前的研究状况,本文从提取描述能力更强的年龄特征和使用回归模型来预测年龄值上进行深入研究。全文的主要工作概括如下:1)提出一个新的特征学习方法,称为PCANet特征学习模型。PCANet是一种简单的深度学习模型,它通过PCA算法学习出卷积层的卷积核,然后使用该模型提取人脸图像的年龄特征。深度学习结构已经被证明具有非常出色的学习能力,它能够捕捉到人脸年龄外貌形态变化的特征和学习到具有强大描述能力的年龄特征。因此,PCANet特征学习模型可以在人脸图像年龄估计上取得更好的结果。2)提出一种多层深度学习PCA网络模型特征的表达方法。深度网络是以逐层的方式进行特征表示,网络的低层能够学习到边缘特征,高层能够学习到抽象特征。所以多层PCA网络模型特征的表达是融合底层特征和高层特征作为最终的年龄特征值,并且利用高低层特征的表达能力来提取到更加丰富的年龄特征信息。3)提出一种深度迁移训练模型的年龄估计方法。针对深度学习模型在小数据集条件下训练可能会产生过拟合现象而提出,它能有效的解决过拟合问题。该方法是先用ImageNet图像集预训练网络模型,再将学习ImageNet图像集得到的权重作为网络的初始权重。然后再用表观人脸年龄数据集微调该通用网络模型使其具备学习年龄特征的能力,从而提高人脸年龄预测的效果。