近年来,随着卷积神经网络越来越多地被广泛应用于众多领域,人脸图像研究也越来越受到人们的关注,基于人脸图像识别年龄及性别成为了当前人工智能研究的热点之一。针对单个卷积神经网络对人脸图像性别和年龄的识别不够快速和精确,并且受限于约束图像数据集的问题,提出了两种基于卷积神经网络的改进模型用于对人脸图像年龄及性别进行研究。主要研究内容如下:(1)提出了一种综合卷积神经网络(CNN,Convolution Neural Network)、挤压-激励网络(SENet,Squeeze-Excitition Network)及极限学习机(ELM,Extreme Learning Machine)的混合模型。模型中的卷积层被用于从人脸图像中提取面部特征,进而,SENet层被用于优化卷积层提取的特征,最后,误差最小化极限学习机(EM-ELM)被用作分类器以实现面部图像的年龄及性别分类。与现存的流行模型相比,所提出的CNN-SE-ELM混合模型由于采用CNN+SENet架构使得其能够从面部图像中提取到更具代表性及最优的特征映射,同时EM-ELM的极速计算使得模型更快速更高效。(2)提出了一种综合牛津大学视觉组提出的网络(VGGNet,Visual Geometry Group Network)及挤压-激励网络(SENet,Squeeze-Excitition Network)的混合模型,通过对VGGNet模型进行简化,减少全连接层数,同时嵌入SENet模块,最后,改进分类损失函数以实现面部图像的年龄及性别分类。与现存的流行模型相比,所提出的VGG-SENet混合模型采用深层卷积和SENet架构,优化卷积层提取的特征,同时改进分类损失函数,使得模型对人脸面部图像的性别和年龄分类变得更快速更准确。基于非限制IMDB-WIKI人脸数据集和Adience人脸数据集,利用准确率(accuracy)、精确率(precision)、召回率(recall)和综合评价指标f1-score等指标对以上两种模型进行评估,实验结果显示CNN-SE-ELM模型性别及年龄分类准确率分别为96%、95%和67%、65%,VGG-SENet模型性别及年龄分类准确率分别为97%、96%和76%、74%。与其他相关模型对比,证明所提CNN-SE-ELM和VGG-SENet模型对人脸面部图像性别和年龄分类具有更高的识别精度及速度。