计算机视觉是人工智能领域中非常有影响力的研究课题，占据着极其重要的地位。人脸识别问题尤其是跨年龄人脸识别问题是计算机视觉中非常重要的子问题。跨年龄人脸识别在实际生活中有着众多的应用和重要的意义，比如寻找多年前的走失儿童等等。但是，由于现有人脸数据库中年龄跨度较小，使得跨年龄人脸识别缺乏真正有效的训练数据。深度学习训练分类模型需要足够的训练数据，从而导致跨年龄人脸识别成为一个很有挑战性的问题。为了改善相关训练数据缺乏的现状，本文提出了基于深度学习的跨年龄人脸识别框架，来增加年龄跨度大的人脸图像数量。该框架包含:人脸预处理，基于条件对抗生成网络的身份保持人脸老化模型，基于老化生成人脸的人脸识别。其中第二部分是本框架的核心部分，它可以生成具有年龄差异的身份保持人脸老化图像。相对于已有的人脸老化生成的方法，基于条件生成对抗网络的身份保持人脸老化模型对人脸老化生成的身份保持具有更好的鲁棒性，而且采用端到端的学习策略，提高了生成老化图片的速度。本文创新性地提出了多约束的目标函数，包括对抗损失函数，特征空间损失函数以及图像空间损失函数。对抗损失函数充分利用特征统计信息，使得生成图片更真实。特征空间损失函数辅助生成图像保持输入图片的身份信息。图像空间损失函数可以解决对抗生成网络训练过程中收敛不稳定和对超参数敏感的问题。值得注意的是该模型不用强制源领域和目标领域的图像属于同一个人，可以利用其他人的特征帮助生成老化图像。实验结果表明我们的模型在CACD数据库上比其他方法生成的老化人脸更能保持住身份以及年龄差异。尤其在生成图像的分类上比其他老化方法识别准确率高1.09％，并且在数据扩充时使得人脸跨年龄分类获得2.64％的识别率增益。