由于人的面部外观会随着时间流逝引起的衰老而产生较大的类内变化,因此年龄不变的人脸识别（Age-invariant face recognition,AIFR）仍然是一个充满挑战的研究热点。以前的深度学习人脸识别方法没考虑到年龄的变化带来的类内差异,在跨年龄数据集测试上的效果不够好。主流的研究思想将一般人脸识别特征视为与身份识别相关和与年龄变化相关的两个部分的线性组合,尝试去除一般人脸特征中随年龄变化的特征,然后用剩下的与身份识别相关的特征完成跨年龄人脸识别。但这些方法具有两个局限性:首先,只关注于如何将两个部分分开,没有考虑到分开后二者是否依然存在相关性,相关性越大,分离效果会越差。其次,以往的年龄估计损失函数没有考虑到不同年龄阶段人脸的变化特点,容易产生矛盾的判定结果。针对上述问题,本文提出了以下几个改进:（1）用身份识别特征和年龄特征之间的相关性代替固定的权重系数来协调两个任务的训练。相关性变大表明特征分解的能力不佳,年龄估计任务提取的年龄特征包含了很多与身份识别的信息,此时需要对年龄估计损失加大惩罚。相关性变小表明年龄特征提取得到增强,此时需要对身份识别损失加大惩罚。（2）年龄估计任务用有序回归分类网络（Consistent Rank Logits Convolutional Neural Network,CORAL-CNN）,网络最后一层全连接层设置为共享权重,偏置项设置不同值。CORAL-CNN训练过程中可以保证最后全连接层输出值（每个输出值就是二分类器的预测结果）单调不增,从而更准确的预测年龄,更有效地提取年龄特征。（3）用Margin-Softmax系列的人脸识别损失函数取代Softmax损失函数,可以提取出判别性更强的人脸特征,即通过CNN将人脸图像映射到度量空间中,要求映射后的特征具有较小的类内距离和较大的类间距离。（4）本文提出的改进措施应用于两个跨年龄数据集（MORPH Album 2和CACD）的实验上,相比较于以往的算法分别提高了0.4%和0.3%的效果。此外,并用LFW数据集验证了此方法在一般人脸识别数据集上也有较好的泛化能力。