在计算机视觉领域,人脸验证是生物特征识别的一个重要方面,也是研究热点之一,在档案管理系统、安全验证系统、信用卡验证、公安系统的罪犯身份识别、银行和海关的监控、人机交互等领域具有广阔的应用前景。论文针对目前人脸验证存在的年龄变化以及特征表示问题,结合深度学习以及属性预测方法进行了几种跨年龄人脸验证方法的研究,其主要研究工作体现在:1)针对纯传统手工设计的特征不足以很好表征人脸的问题,提出自动特征学习与手工特征相结合的跨年龄人脸验证方法。该方法首先利用9层深度卷积神经网络自动地学习跨年龄人脸的抽象特征。然后为了充分利用深度神经网络抽象特征描述和手工特征所具有的强针对性表示对改善人脸验证精度的互补性,融合深度网络中全连接层抽象特征和手工设计的LBP(Local Binary Patterns)特征,形成跨年龄人脸特征矢量,最后采用余弦相似度进行人脸判别。在公开的跨年龄人脸数据集CACD(Cross Age Celebrity Dataset)和无约束条件下的人脸数据集LFW(Labeled Faces in the Wild)上的对比实验表明,本文提出的方法在人脸验证准确率上有了一定程度的提升,同时在不同年龄区间的实验表明,年龄间隔越大人脸验证准确率越低。2)针对视觉特征不具有语义表达能力,无法很好解决无约束环境下人脸存在光照变化以及姿态变化的问题,提出基于低层特征属性预测的跨年龄人脸验证方法。该方法在基于多种低层特征进行特征选择的基础上,利用Adaboost进行人脸属性预测并依据预测的属性利用SVM(Support Vector Machine)分类器进行人脸验证。LFWA(Labeled Faces in the Wild Attributes)数据集中的人脸图像存在着明显的年龄变化,在LFWA人脸属性数据集上的实验结果表明,提出的方法获得了较高的人脸属性预测准确率,同时在测试集上采用属性特征进行交叉验证取得了91.26%的平均人脸验证准确率,相对于比较的4种方法有了5%的提升,在MORPH(Craniofacial Longitudinal Morphological Face Database)跨年龄人脸数据集上的对比实验表明,本文提出的方法与其他方法相比具有较低的相等错误率。3)针对低层特征属性表达比较单一以及语义信息不丰富的问题,提出高层抽象特征和低层特征属性相结合的人脸验证方法。该方法首先利用深度网络自学习的高层抽象特征进行属性预测,然后采用加权融合策略将高层抽象特征学习的属性与前面第三章已研究的低层特征属性进行融合形成一个新的属性特征表达,最后利用SVM进行不同年龄人脸验证。Celeb A(Large-scale Celeb Faces Attributes Dataset)数据集和LFWA数据集中的人脸图像均存在明显的年龄变化,在Celeb A数据集上的对比实验表明,提出的方法在属性预测准确率上有了进一步的提升,在LFWA数据集上的实验结果表明人脸验证准确率达到了94.30%,相比于基于纯手工特征的属性提取方法有了3%的准确率提升,同时,在MORPH数据集上的跨年龄人脸验证实验相较于第三章的方法取得更低的相等错误率,最后,Celeb A数据集上的遮挡实验结果表明本文提出的方法对于遮挡具有较好的鲁棒性。