人脸属性识别是计算机视觉领域的一个热门而又具有挑战性的研究课题,受到众多研究学者的关注。人脸属性通常代表着对一个人身份特征的详细描述,比如人物的年龄、性别、脸型等。因此,人脸属性作为描述人类可理解的重要面部信息的媒介而被广泛地应用在人脸检索、人脸识别、视频监控和图像生成等领域中。然而,在实际应用中,人脸属性识别仍然会受到人脸遮挡、光照变化、低分辨率等问题的影响导致识别准确率的下降。目前,深度学习技术在各种模式识别和计算机视觉任务中取得了良好的应用前景,包括人脸属性识别任务。由于人脸属性识别需要同时预测多种属性的类别,并且不同属性之间存在相关性和差异性,因此多任务学习已被应用于人脸属性识别任务来提高识别性能。基于深度多任务学习网络的人脸属性识别是一项既有理论意义又有实际价值的研究工作。本文的主要研究内容具体如下:（1）本文提出了基于深度双路径网络的多任务学习人脸属性识别算法（简称DPN）。该算法在多任务学习框架中充分考虑不同属性的学习差异性,从而将人脸属性分为部分属性组和整体属性组,并且根据不同的学习特性设计了两个不同的子网络让两组属性以不同的输入尺度和不同的网络深度来提取特征。此外,本文还提出了一种自适应损失惩罚策略在训练过程中监督模型的学习,使模型更关注难分样本训练的同时,缓解数据集中类别不平衡给属性识别性能带来的影响。DPN算法在具有挑战性的主流人脸属性数据集中取得较好的属性识别性能,验证了算法的有效性。（2）本文提出了基于注意力感知与并行共享网络的人脸属性识别算法（简称APS）。传统的基于多任务学习的人脸属性识别网络多为串行共享的分支结构,其存在多任务的最优分支节点难以选择、网络深层特征没有充分共享,以及只有每个分支最末端的网络特征才能参与最终的属性识别等缺点。本文提出了一种注意力感知的并行共享网络用于改进串行共享结构的不足。此外,提出了一个包含多特征软对齐模块的注意力机制来突出模型感兴趣的区域,同时考虑不同网络层的全局与局部特征,以及共享网络与特定任务网络之间的关系。最后,APS算法在具有挑战性的人脸属性公开数据集上实现了比目前一些现有的主流人脸属性识别算法更好的识别准确率。