近年来,互联网及其相关产业发展迅速,整个社会已经进入了大数据时代。从互联网上获取各种人脸相关的图像和视频数据正变得前所未有地方便。人的面部图像包含了丰富的个人信息,包括性别、种族、年龄、表情等个人属性。人脸图像的这一性质,使其在诸如安防、娱乐以及社交领域具有极其广泛的潜在应用。另一方面,计算能力的飞速发展也使得深度学习成为最近十年来的热门研究方向。基于深度学习的卷积神经网络在各种计算机视觉任务中,都表现出了远超传统图像处理方法的性能。而多任务学习在深度学习的发展中,也有着非常重要的地位。因此,研究基于多任务学习的人脸属性联合估计是具有极大的学术价值和应用价值的。本文的具体工作如下:首先,本文从传统的基于手工提取特征的方法和基于深度学习的方法入手,对人脸属性估计和多任务学习领域的研究现状进行了深入分析,然后分析比较了在人脸属性估计这一特定的任务背景下,单任务学习和多任务学习的不同。其次,本文提出了一种改良的多任务学习网络,称为有限共享多任务网络,解决了目前的多任务学习网络存在的信息流动问题。传统的多任务学习网络采取的是浅层网络共享,高层网络分支的结构,其想法是利用浅层网络提取出低级的共享语义特征,然后在高层的各个子网络中学习针对不同属性或者属性组的具有分辨力的特征。这种结构的弊端在于高层的各个子网络之间的信息流动趋于停止,不利于性能的提升。还有一些网络结构转而将共享网络作为一个单独的子网络,使网络中信息的流动贯穿整个网络。但是这样的无限制的共享反而会导致子任务间的相互制约,影响网络的性能。本文通过合理地控制子网络间的信息流动,由网络自己决定子网络之间的连接方式,有效地提升了属性估计的效果。最后,本文结合Inception模块和注意力机制,提出了残差注意力模块,以提升网络的特征提取能力和特征定位能力。残差注意力模块由改进后的Inception模块和注意力模块串行连接组成,其中,注意力模块采用残差连接的形式,且可以使用任意可用的注意力模块。然后,通过比较SE和CBAM两种注意力模块的性能,选择了效果较好的CBAM模块,并以有限共享多任务网络为基础,构建了ResCBAM网络,在CelebA数据集和LFWA数据集上均取得了不错的效果。