人脸是人与人之间审美的主要载体之一,在社交场合中,人脸无疑起到了十分重要的作用。在本文中,人脸吸引力是指由于脸部特征而使得他人对这个人的喜欢程度。共识性人脸吸引力代表了社会大众统一的审美标准,而个性化人脸吸引力则代表了每个人不同的审美标准。对个性化人脸吸引力评价的研究,可以应用于个性化的社交推荐、美容美化、图像优化处理和人机交互等方面,具有重要的实际意义和研究价值。通过对人脸吸引力评价研究现状的分析发现,目前该领域存在的主要问题为:现有人脸吸引力评价模型的精确度较低,有效表征人脸吸引力的特征提取方法需要进一步研究;个性化人脸吸引力存在训练样本少,直接采用深度学习的方法无法获得满意的结果。针对目前个性化人脸吸引力评价研究存在的问题和挑战,本文提出了基于多维特征融合的个性化人脸吸引力评价算法,并进行了相关实验对比,主要贡献如下:首先,在特征提取方面,本文提出了一种新的特征提取算法,该算法能够有针对性的提取了人脸吸引力典型的全局和局部特征,如人脸全局83个关键点,17维几何特征,Gabor纹理特征等,然后通过特征融合算法将它们融合,最后与卷积神经网络自动提取的人脸特征结合起来。通过实验验证了本文提出的人脸吸引力特征提取算法的有效性。其次,将共识性人脸吸引力评价特征引入模型,提出了共识性和个性化评价特征融合算法,提高了模型的性能和训练效率。在SCUT-FBP-500,FaceScrub,SCUT-FBP-5500数据库上进行了实验验证,并与现有人脸吸引力评价的相关研究结果进行了对比。本文所提出的算法实现了更好的评价性能,个性化人脸吸引力评价模型输出的结果与真实评价数据的皮尔森相关系数达到0.91,平均绝对误差0.17。