随着基于人脸图像的计算机视觉任务广泛应用于商业场景,人脸质量评估的重要性逐渐显现,与深度学习的结合使其更具备实用价值。通过设计合适的人脸质量评估指标评估人脸质量,不仅可以有效给出评价人脸质量的指导性意见,作为参考获取质量更佳的图像,还可以筛选高质量人脸,作为后续处理任务的有效输入图像。本文提出了一种多任务人脸图像质量评估算法,在评估人脸综合质量的同时,给出五种质量评估指标的指导性结果。本文选择CASIA-Webface人脸数据集作为训练集,采用半自动方式对模糊度、光照强度、头部姿态、人脸表情、佩戴眼镜五种人脸质量评估指标进行标注。本文采用Retinaface人脸检测器对人脸图像进行预处理,用于过滤无人脸图像与具有极低质量的人脸图像。论文在ResNet50特征提取网络的基础上,设计网络结构与多任务损失函数,实现了对多种质量评估指标的预测。此外,还设计了人脸图像综合质量的计算方法。实验证明,多任务学习的分支数越多,人脸综合质量的评估越接近真实值。论文将人脸质量评估应用于人脸识别中,通过分析错误拒绝曲线,验证了该模型在实际应用中的有效性。针对环境复杂的人脸视频场景,本文提出一种基于多任务学习的轻量级人脸序列质量评估算法。本文选择IJB-A人脸视频数据集作为训练集,使用基于静态人脸图像质量评估所提出的评估算法对数据集进行标注,并人工修正。本文以Mobile Net-V2轻量级特征提取网络为基准设计网络模型,对各人脸质量评估指标进行预测。通过计算预测值的算数平均得到每帧图像的综合质量分数,再利用堆排序提取所需数量的高质量图像。通过设计实验,证明了该轻量级人脸序列质量评估算法的性能较好,不仅能够提升人脸识别的准确率,具有一定的泛化性,同时计算速度较快,能够适应视频序列的处理场景。