人脸图像蕴含丰富的个人信息，既表征身份，也包含种族、性别、表情等属性。随着人脸识别技术的飞速发展与广泛应用，人脸属性分析也成为人脸识别领域一个重要的研究分支，并得到了业界学者的广泛关注。人脸属性预测在智能监控、刑侦调查和社交平台等领域具有广泛的应用。　　一般的人脸属性预测方法主要包含三个步骤:人脸图像预处理、人脸图像特征构建以及人脸属性预测。其中人脸图像预处理又包括人脸检测、特征点定位以及人脸对齐。在自然场景下获得的人脸图像中，由于人脸姿态变化多端，光照不定，所处场景复杂等原因导致人脸属性预测十分具有挑战性。　　现有的基于人脸图像的人脸属性预测方法主要分为两大类:基于传统机器学习框架的方法以及基于深度学习框架的方法。传统的机器学习方法不能有效利用大量的训练数据去学习有效的特征表示，目前的主流属性预测方法采用基于深度学习的方法。本课题主要从深度学习方面入手，分别从单任务学习和多任务学习两个角度出发来研究人脸属性预测的方法。　　利用单任务学习与深度学习相结合的方法来预测人脸属性是本课题在研究初期所使用的方法。该方法的主要思路是为每一个属性单独学习一个深度模型，没有考虑到属性间的相关性。如果属性较多将会大大增加模型的复杂度，因此该方法适用于属性较少且相互之间没有相关性的数据集。　　本文进而研究了利用多任务学习与深度学习相结合的方法巧妙地解决了单任务学习不能利用属性间相关性以及属性越多模型复杂度越高的问题。同时，本课题还在深度神经网络结构中加入了对属性异质性的考量，提出一种利用多任务与深度学习相结合的方法来预测异质人脸属性的方法。该方法所使用的网络结构主要分为两部分:主网络用于学习属性的共有特征，分支网络用于学习属性的独有特征，并且不同类型的属性采用不同的处理方式。因此该方法不但考虑到属性相关性和异质性，同时可以在不显著增加模型复杂度的前提下同时预测多个属性。在多个公开数据集上与现有最好的方法的对比实验表明，本文所提出的方法能更有效地进行多个属性同时预测。