基于深度学习的、与年龄相关的人脸图像分析已经成为计算机视觉领域的一个重要研究内容,在众多深度神经网络模型中,生成对抗网络是最具魅力的模型之一,它强大的生成能力让我们可以完成许多有趣的事情,例如图像风格迁移、文本到图像的合成、图像超分辨率、人脸衰老图像生成、图像修复等。人脸图像衰老合成作为一个应用范围非常广泛的研究方向,包括追捕通缉犯、寻找走失儿童、自动升级职员数据库、提高人脸识别系统的鲁棒性以及科普展示与娱乐等,已经引起越来越多的关注与研究。然而如何产生可信的、自然的人脸衰老图像仍然面临诸多挑战。在传统的人脸衰老图像生成方法中,基于原型的方法所得的合成图像会丢失特定于人的身份信息,从而导致合成的人脸缺乏真实感,基于物理参数模型的方法需要大量的跨年龄人脸图像样本和复杂的运算。随着深度学习的快速发展,已经出现一些基于深度神经网络,例如生成对抗网络、循环神经网络等,来进行人脸衰老图像生成的研究。本文对人脸图像衰老合成的研究现状进行总结,探讨如何基于条件对抗自动编码器与生成对抗网络的进行人脸衰老图像生成,并提出三点改进措施:（1）基于目标检测常用的PANet网络结构,在编码器中添加多尺度特征融合模块,提取多尺度、融合高低层特征;（2）将空间金字塔池化层运用于解码器中,进而可实现同一特征图不同区域特征的融合,提高了模型的特征表达能力。该模块通过卷积层降低维度,通过池化层提取不同区域特征,充分利用低维度特征,得到高维度特征;（3）在解码器中添加空洞卷积模块,该模块中主要使用带有空洞率的卷积层,通过多个尺度空洞卷积层的串联从而可以提取不同局部感受野的特征,最后再将这些特征融合起来作为新的特征,用于后续人脸图像的生成。在实验分析部分,基于UTKFace人脸数据集和CUHK Student数据集进行实验,并与HRFAE、IPCGAN进行了定性与定量的比较分析,主要成果为:（1）基于上述算法改进后的模型相比原始CAAE模型,更不容易过拟合。具体表现是在实际训练过程中,原始CAAE模型在训练30轮左右效果最佳,过多的训练反而会使各模块损失变大、结果变差。相比之下,我们的模型训练48轮以后效果达到最优,更不容易过拟合;（2）本文提出的模型所生成的人脸衰老图片同时具备较高的清晰度,面部衰老变化自然并且保持了人物身份信息的高度一致,相比之下,HRFAE模型所生成的人脸图片最为不清晰并且脸部存在大量的色斑,并不能体现出人脸的轮廓、头发的颜色随着年龄增大的变化等重要的衰老特征。IPCGAN模型生成的人脸衰老图片在清晰度、平滑度方面表现优异,生成的照片具有高度的真实感,但是所生成的人脸图像与原始照片存在较大的人物身份信息差异;（3）在图像质量主观定性评价上,本文提出的模型合成图像的质量优于IPCGAN和HRFAE,在两个数据集上MOS平均值接近3,在3个模型中为最优。说明从人眼视觉效果出发,本文提出的方法生成的人脸图像老化效果更优,并且更接近于原始图像;（4）无论是在UTKFace数据集还是在CUHK Student数据集上,本文提出的方法在3项客观图像质量评价指标（PSNR、SSIM、FID）上均达到了最优表现,这与主观的定性评价结论一致,充分说明我们的方法所生成的人脸图像具备更高的图像质量;（5）通过消融实验可以发现,只有当我们的模型构成为多尺度特征融合+空间金字塔池化+空洞卷积时,PSNR值最大、SSIM值最大、FID值最小,说明只有当添加的三大改进模块同时存在时,生成的人脸图像质量最高,缺少了任意一个或几个模块均会导致指标表现变差,充分说明本文提出的改进模块的有效性。