随着时代的发展,人工智能成为了当今时代最热门的话题之一。跨年龄人脸识别作为人脸识别的一个分支,在实际生活中有着巨大的实际意义和理论价值,比如寻找走失多年的儿童,识别出潜逃多年的罪犯以及海关中的护照身份验证等。虽然跨年龄人脸识别领域在这几年取得了显著的成果,然而,由于人脸老化的复杂性,跨年龄人脸识别仍然面临着巨大的挑战。人脸老化是一个复杂且连续的非线性变化过程,人脸外貌会在形状和纹理等方面随着年龄的增长发生显著的变化,甚至会出现类内距离大于类间距离的情况,并且不同人的老化过程又不相同,因此对人脸老化建模是一个十分复杂且困难的过程。针对这些困难,本文进行了相关研究。本文结合子空间的直和与同时进行人脸身份识别和年龄分类这两个任务的多任务卷积神经网络,提出了特征子空间直和的多任务卷积神经网络模型(Feature Subspace with Direct Sum CNN,FSDS-CNN)。利用多任务学习,我们可以同时得到身份相关特征和年龄相关特征。本文在此基础上引入直和模块以对这两个特征子空间进行直和约束,使得两个特征之间的冗余成分在一定程度上被有效去除,即身份特征内的年龄成分被有效地剔除。从而使得身份特征与年龄特征之间的相关性被有效降低,最终我们可以得到随年龄变化鲁棒的年龄无关的人脸身份特征。此外,本文还对引入子空间的直和到跨年龄人脸识别领域进行了理论上严谨的分析,并对如何在跨年龄人脸识别中实现子空间的直和做了详细的介绍。本文在CASIA-WebFace数据集上对模型进行预训练后,在Morph Album 2,CACD和Cross-Age LFW这三个公开领域的基准老化数据集上进行了大量的人脸辨识和人脸验证实验,并对直和模块的两个重要超参数进行了探究。实验结果和近几年的一些主流跨年龄人脸识别方法做了对比,并对实验结果进行了详细的分析。实验结果表明了本文提出的FSDS-CNN模型及其直和模块能够有效降低身份特征和年龄特征之间的相关性,从而能够提取出随年龄变化鲁棒的年龄无关的人脸身份特征以提高跨年龄人脸识别模型的性能,同时充分表明了本文提出的模型的有效性和较强的泛化能力。