近些年,与人脸图像相关的自动信息处理技术已经发展为信息技术领域的重要研究课题。人脸年龄估计是根据人脸图像自动估算年龄的技术,属于生物特征与计算机视觉结合的预测任务,它分为生理年龄估计和表观年龄估计。人脸年龄估计研究面临着一定难度和挑战。一方面是人脸衰老变化是无法控制的自然进程,不同的人有不同的老龄化模式。另一方面是年龄估计缺乏数据完整且充足的数据集。从目前的研究现状来看,无论是生理年龄估计还是表观年龄估计都有进一步提升的空间。本文围绕算法和网络的优化展开研究,提出了两种人脸年龄预测模型,具体如下:（1）基于改进分布标记学习的生理年龄估计同一个体相近年龄的脸部年龄特征是相似的,基于标记分布学习的年龄估计就是利用这个特点而设计的一种方法,实现了从年龄单目标预测到年龄标记分布向量预测的学习任务的转变,这一定程度上解决了人脸年龄估计中数据不全面的问题。但现有的基于最大熵回归模型的标记分布学习存在不能构建统一的标记分布预测模型和计算复杂时间长等问题,另一种基于神经网络的算法容易发生过拟合且神经网络的结构不容易被理解。为解决这些问题,提出基于核偏最小二乘回归模型的标记分布学习来解决人脸年龄估计问题。核偏最小二乘回归模型对数据分布没有前提假定,并且可以解决非线性问题。在FG-NET和MORPH II数据集的试验结果表明,相较于其他对比方法,此法有更小的年龄估计误差同时提高了计算效率。（2）基于改进残差网络的表观年龄估计基于深度学习的年龄估计方法被广泛应用,但随着网络深度的增加,会出现梯度不稳、网络退化和参数量越来越大的问题。针对现有的卷积神经网络模型算法对人脸年龄特征表达能力欠缺、识别准确性低、模型参数量大等问题,提出了一种融入注意力的残差网络人脸年龄估计法。该方法首先对原卷积块注意力模块（Convolutional Block Attention Module,CBAM）进行优化改进,采用特征融合再训练的方法获取通道重要度权重,通过网络层混合计算两部分的池化压缩特征互信息,增强重要通道特征表示,从而提高模型的拟合能力。接着将改进后的CBAM与Res Net模型的残差结构融合构建新的残差模块;该模块可以避免CBAM对捷径连接反向传播的影响。最后利用Softmax分类器分类以获得最终估算年龄。在APPA-REAL和LAP2015表观年龄数据集的实验显示,此方法比原Res Net模型方法取得了更好的平均绝对误差和累计误差指标。与其他相关方法的对比也证明了其有效性。