人脸分析是当前计算机视觉、模式识别和机器学习等领域的热门研究课题之一，得到了广泛的关注。人脸分析主要通过人脸图像来分析出人脸的各类信息，如:人脸身份、人脸表情、人脸年龄、人脸性别等。人脸分析在智能人机交互以及身份认证等领域中具有重要的研究意义和实际应用价值。但是由于人脸图像中存在着巨大的可变性，人脸分析问题面临着许多的挑战。另一方面，深度学习是近年来一个非常热门的研究课题，其通过大量的数据，自动地从数据中提取有效的特征表示，并用于后续的分类、回归等任务。这其中深度卷积神经网络已经在图像识别、语音识别、自然语言处理等领域展开了深入的研究并取得了良好的性能表现。因此，研究利用深度卷积神经网络技术进行人脸分析是一项既富有挑战又具有实际意义的工作。本文的主要工作具体如下:　　本文首先广泛调研了现有的深度学习方法及分类，介绍了常见的几种深度学习模型，并着重介绍了常用的深度卷积神经网络方法，并综述了深度学习在人脸相关领域中的应用研究现状。　　其次，本文分析了基于深度学习的目标检测方法，并讨论了将深度学习应用于人脸检测问题中。针对训练人脸分类器中样本选择等问题，本文提出了基于Bootstrap的深度学习人脸检测方法，在FDDB和AFW人脸检测评测数据库中，分别提高了2％和2.1％的检测率。　　紧接着，本文系统地介绍了基于深度学习的人脸识别方法，并分析和比较在人脸特征提取中进行训练网络的各种方法的优点和缺点。在此基础上，我们提出了一种基于混合训练的深度人脸特征提取方法，将训练基于Triplet的深度模型的时间缩短到4天。并在多个任务中验证了本文提出方法的有效性。　　此外，针对深度神经网络学习的特征具有从粗到细、从简单到复杂的特点，本文提出了一种基于多任务学习的人脸属性识别方法，在Adience数据库中，人脸年龄估计准确率从单任务的48.3％提高到51.4％，性别分类准确率由84.7％提高到87.6％，并在包括人脸微笑、人脸吸引力识别等多个任务中验证了本文提出方法的有效性。