年龄信息具有很高的利用价值,在人机交互中有着十分广泛的应用前景。伴随着科学技术的发展,人脸年龄估计的相关技术虽得到了进一步的发展,但依然存在着一定的不足。对于科学研究来说,人脸图像是非常典型的生物特征,然而,由于每个个体生活习惯、先天基因等各个方面存在区别,同龄的个体所表现出的年龄特征往往存在着较大差距,因此便造成了年龄估计技术的研究的巨大挑战。目前年龄估计技术主要包括两大部分:特征提取和年龄估计。针对特征提取部分,通过手工设计来提取人脸年龄特征,是早前年龄特征提取的主要方式,该方法难度较大,而且往往只能够对浅层特征进行提取,导致年龄估计的准确率无法进一步提高。近年来,随着深度学习在各个领域的巨大发展,特别是在图像识别领域取得了显著进展,特征提取难题有了更加先进的解决方案。在人脸年龄特征提取阶段,通过使用卷积神经网络,可以将经过简单预处理的图像,直接输入神经网络中,经过逐层运算之后,对图像深层次特征进行有效的提取。在年龄估计阶段,传统算法主要通过构造分类模型和回归函数来完成,不同年龄之间的相关性难以有效利用,估计精度难以提高。针对这个问题,本文将递归神经网络引入年龄估计阶段,由于拥有记忆能力出众的神经网络,使递归神经网络不仅能够接受来自其它神经元的内容,同时也能够获取自身信息,构成具有环状的网络结构,这令递归神经网络可以很好的处理与时间相关的推理问题,并在语音识别、自动驾驶、自然语言生成等诸多领域进行了广泛的应用本文在年龄估计阶段利用递归神经网络特殊的网络结构,学习人脸老化模式,大大提高了年龄估计的准确率。本文完成的研究工作主要包括以下几个方面:(1)本文研究了与年龄估计相关的文献与方法,对当前年龄估计技术的两个关键部分:特征提取方式和年龄估计方法,进行了总结与梳理。对特征提取和年龄估计的相关方法及原理进行了深入的研究。同时,根据调研结果,得出了目前年龄估计技术存在的问题,并设计了相应的解决方案。(2)在特征提取阶段,本文将Google深度学习库中的Inception网络用于年龄特征的提取。当网络结构较深时,传统的CNN模型提取的特征主要为抽象特征,缺少人脸的多尺度信息,进而影响了年龄估计的精度。Inception网络通过在每一层引入的卷积核,能够实现面部多尺度特征提取,充分保留人脸年龄特征信息。(3)在年龄估计阶段,本文使用双向LSTM对特征提取网络提取的局部特征进行融合,挖掘面部区域特征之间的关联性信息,并进行最终的年龄估计。实验结果表明,通过利用不同面部区域特征之间的关联性信息,可以有效的提升年龄估计模型的性能。(4)为了进一步提高人脸年龄估计的准确率,本文在已有研究的成果上,基于深度学习相关理论知识设计了一种深度神经网络模型对人脸图像进行年龄估计。本文中的深度神经网络模型,由谷歌深度学习库中的Inception模块和双向LSTM结合标签分布组合而成。模型首先使用Inception网络提取人脸局部多尺度特征,然后将得到的特征串联输入双向LSTM中结合标签分布,学习人脸老化模式,并完成年龄估计。最后,本文将年龄估计模型在FG-NET和MORPH Ⅱ数据库上进行了实验验证。实验结果表明,本文的方法可以有效的提升年龄估计的准确率和鲁棒性。