近年来随着人机交互和用户安全需求的不断增长,基于图像的人脸验证引起学术界和工业界的广泛关注并取得了显著的进步。然而,由于人脸图像常常受到光照、姿态以及年龄变化等影响,基于图像的人脸验证仍然是一项极具挑战的研究。年龄变化带来的面部老化是一个持续且复杂的过程,它会带来面部的诸多变化。因此,跨年龄人脸验证主要面临以下挑战:对于相同个体,在不同年龄段有着不同的特征变化;对于不同的个体,在相似的年龄段可能共享相似的特征变化;跨年龄人脸数据中包含着不同的表情,面部表情的差异会影响人脸验证的性能。本文针对上述问题提出了三种人脸验证模型,主要工作和贡献如下:提出了基于集成人脸对距离度量学习的跨年龄人脸验证。考虑到不同个体有不同的变化,很难得到一个统一的老化模型。与此同时,不同年龄跨度的人脸对差异是不同的。因此,本文提出的方法将集成思想与人脸对距离度量学习相结合来减弱年龄变化对人脸验证的影响,前者解决了年龄带来的复杂性的影响,后者通过学习一个好的距离度量提高了验证的准确度,实验结果表明该模型能够显著提升跨年龄人脸对的验证性能。提出了基于集成多尺度多层级人脸对重表示的跨年龄人脸验证。在人脸验证任务中,人脸对的特征重表示学习是至关重要的。为了抽取充分有力的高层判别特征,本文提出了集成多尺度多层级人脸对重表示模型。该模型通过集成来解决年龄变化导致的复杂性影响,并将多尺度扫描结合判别特征的多层级提取结构获取充足的高层判别特征。此外,现有方法大多数将人脸对的特征差作为特征重表示学习的输入,忽略了人脸对特征差之间的差异,本文设计将人脸对特征串联作为输入,通过模型自动学习人脸对的高层判别特征。通过在FG-NET、CACD以及CACD-VS数据集上进行的一系列实验,证明集成多尺度多层级人脸对重表示模型能够有效地减弱年龄跨度对人脸验证的影响,提高人脸验证的准确度。提出了基于独立成分学习的跨表情人脸验证。在跨年龄人脸数据集中,人脸数据包含不同的面部表情,人脸对间的表情差异也会影响到人脸验证的性能。为减弱人脸对间表情差异对人脸验证的影响,本文提出了通过独立成分学习来获得人脸的身份子空间和表情子空间,并将人脸数据在身份子空间上进行身份特征重表示。该方法通过在JAFFE数据集上进行对比实验,结果证明通过独立成分学习能够有效地得到表情无关的身份特征,从而减弱表情变化对人脸验证性能的影响。