人脸属性识别是计算机视觉和模式识别领域的一个重要研究方向,受到了广泛的关注。人脸属性识别的主要任务是预测给定人脸图片的属性,包括微笑、性别、吸引力等。人脸属性识别在人脸验证、人脸识别、图像检索等领域具有广泛且实际的应用。但是由于姿态、光照、遮挡等问题引起的人脸表观的剧烈变化,人脸属性识别仍然而临着许多的挑战。另一方面,深度学习在各种的计算机视觉任务中,包括人脸属性识别任务,已经取得了突出的表现。这其中,深度神经网络是近年来非常热门的研究课题。因此,研究基于深度神经网络的人脸属性识别方法,是一项既具有实际意义又富有挑战的工作。本文的主要工作具体如下:(1)我们提出一种基于多任务级联深度神经网络的人脸属性识别方法。传统的人脸属性识别方法通常先进行图像预处理(即,进行人脸检测和人脸关键点检测),接着再进行人脸属性识别。这些方法忽略了这些人脸分析任务(即,人脸检测、人脸关键点检测和人脸属性识别)间的内在关联性。此外,有些方法在训练卷积神经网络的时候使用固定的人脸属性损失权重,没有考虑到人脸属性间的差异性。为了解决上述问题,我们提出了一种新颖的基于多任务级联神经网络的人脸属性识别方法。在CelebA数据集中,人脸属性识别的平均准确率达到了 91%;在LFWA数据集中,人脸属性识别的平均准确率达到了 84%。(2)我们提出一种基于多标记深度迁移网络的人脸属性识别方法。传统的基于深度学习的人脸属性识别方法需要依赖于大量具有标记信息的训练数据。然而,在实际应用中,一些常用的人脸属性才具有标记信息(例如,年龄、性别);另外一些人脸属性并没有标记信息(例如,吸引力、发际线)。此外,传统的人脸属性识别方法忽略了人脸属性间的相关性。为了解决上述问题,我们针对没有人脸属性标记信息的人脸属性识别问题,提出了基于多标记深度迁移网络的人脸属性识别方法。为了更好地利用人脸属性间的相关性,我们提出了根据属性群组计算人脸属性的损失权重,来进行人脸属性识别。在CelebA数据集中,人脸属性识别的平均准确率达到了 92%;在LFWA数据集中,人脸属性识别的平均准确率达到了 84%。