随着计算机技术和人工智能的快速发展,人脸年龄估计技术在日常生活中得到广泛的应用,如寻找丢失儿童、不同年龄段的营销、人机交互等。近几年人脸年龄估计的研究取得了非常大的进展,但是人脸年龄估计的算法在不受约束的条件下,尤其是当人脸面部受到遮挡的时候,现有的年龄估计算法的性能会急剧下降。这主要因为现有的人脸年龄估计的数据集中缺乏遮挡的人脸数据,并且由于数据的收集难度不同导致现有的人脸年龄数据集存在类别不平衡的问题。为了解决这些问题,本文的研究内容主要为:1、针对年龄类别不平衡问题,提出了渐进序回归网络框架。该方法利用非对称的代价敏感学习建模年龄标签之间非线性的序关系并且利用渐近学习的方式解耦网络的学习过程。实验结果表明上述两个过程协同学到鲁棒的特征表达,进而解决年龄类别不平衡的问题。2、针对人脸部分区域遮挡问题,提出了一种自监督对比学习的方法。该方法旨在通过自监督对比学习来学习非遮挡区域的表征。与此同时,利用代价敏感策略来约束分类器的学习。通过实验证明,该方法不仅能在遮挡人脸上取得令人满意的精度,而且与最先进的人脸年龄估计的方法比较也是相当的。3、为了保留年龄中相对序信息的同时解决类别不平衡的人脸年龄估计问题,提出了元梯度学习方法。该方法利用元学习迭代地调整网络学习的梯度。具体使用元梯度学习对样本损失重新加权,以防止头部类在决策空间中主导网络的训练过程。除此之外,提出了序一致性的损失显式地约束输出的分数,以保证年龄中相对的序关系。在更稀疏的数据集上的效果显著优于之前的最佳方法。