现如今,随着人机交互技术的发展,人们对人脸识别技术的研究越来越深入,在各个方向已经取得了巨大的成就,可以应用到生活中的各个领域。但是人脸识别有很多影响因素,比如光照,姿态变化,以及遮挡等因素都会对面部识别率产生比较大的影响,年龄变化也是一样,每个人随着年龄的增长,面部特征都有着或多或少的变化,比如皱纹,面部形状等等,本文就是针对降低年龄变化对人脸识别影响所提出的。年龄作为面部的一个重要属性,是一个避不开的问题。人脸的各种特征都会随着年龄变化而发生变化,而且每个人的面部特征随着年龄变化的老化程度也各不相同,在同样的年龄下有的人面部特征变化很大,有的人却没什么变化,所以人脸老化过程并不能简单的用线性方法来处理。本文基于深度卷积神经网络的人脸识别技术进行研究,提出了以下两个方面:第一,本文提出了一个多任务联合模型MLFaceNet,它将跨年龄人脸识别任务拆分成年龄任务和身份任务两个子任务。根据年龄特征和身份特征的特点,用卷积神经网络来学习身份特征,用循环神经网络来学习年龄特征,最后引入正则损失函数来平衡两个子任务结果的关联型,得到的组合结果来进行人脸识别。第二,在身份子任务中,本文提出了一个新的轻量级神经网络LightlyCNN,用于学习身份特征,它在LightCNN神经网络的基础上,修改其网络结构,精简了网络模型,可以获得效果更好的身份特征,不仅效果要好于LightCNN,尺寸也有所降低,节约了算力。最后将本文的模型用在CACD和Morph2数据集上进行实验,通过实验结果观察,本文提出的MLFaceNet模型对于跨年龄人脸数据的识别率要略高于一些经典算法。