性别识别和年龄分类在身份检索、推荐系统、人口统计等领域有很好的应用前景。随着数据收集整理以及深度学习技术的不断发展和突破,在提高人脸识别相关领域方法的性能,尤其是年龄估计的准确性上有很大的研究空间。本文旨在设计一个性能良好的根据人脸判断其年龄段的分类模型。首先引入全卷积层代替传统的全连接层,解决全连接层只能接受固定大小的输入图像的限制,接着设计并训练一个18层的全卷积残差网络用于性别识别,并将该网络的准确性与传统网络进行对比,证明残差学习对神经网络性能提升的有效性。后又将残差网络和与其对应的去掉残差学习的传统网络都加深至34层,并分别对比其准确率,验证残差学习解决退化问题的有效性。为了设计对人脸年龄段分类更加准确的模型,本文从两个角度进行了改进。首先是网络深度的角度,通过改进残差模块的结构进一步克服网络层次加深所引起的退化问题,之后引入瓶颈结构,它可以在不增加模型参数和计算量的前提下,加深网络结构,提高模型准确率。接着从神经网络的网络分支数角度,将单通道的瓶颈残差网络拆分成多个分支的结构相同的并行网络,在运算量不变的前提下,训练年龄段分类模型,通过与未分支网络的性能对比,证实增加网络分支数对网络性能提升的有效性。本文还提出了性别对年龄段分类的准确性造成影响的可能性,并通过实验验证了将男性与女性的图像分别训练生成模型的准确率比使用男女混合的数据训练生成模型的准确率分别提高了 1.1%和1.3%,证实男女视觉年龄的差异性。最后本文设计并实现了基于性别的人脸年龄段分类系统,实现了人脸检测模块、性别识别模块、人脸年龄段分类模块的功能。本文实验结果表明,经过本文改进过后的人脸年龄段分类模型较传统的残差网络在计算量不变的前提下,准确率提升近6%,并解决了卷积神经网络输入图像大小固定的问题,具有较强的应用价值。