随着网络上的图像数据的增加,以及深度学习的发展,针对网络图像所包含信息的解读变得重要。人脸是辨别每个人的主要外貌特征之一,通过人脸还可以进行性别识别和年龄估计,人脸识别,个性化产品推荐、国家信息安全系统等方面有着重要的应用价值。因此,如何高效地从网络图像中检测人脸,并准确地识别出其性别和年龄成为一个重要的研究课题。针对网络头像识别任务中,Centernet算法和单一特征弱分类器算法对人脸的检测、性别识别和年龄估计中存在的运行速度慢和准确率低的问题,1.本文提出了改进的Centernet人脸检测算法,首先以高斯热图中心区域代替中心点增加回归的平滑性,引入NMS方法消除多余目标框,然后通过focal loss处理数据不均衡问题,有效的提高了检测的速度与检测率。2.针对传统弱分类器采用单一性特征的分类方法,本文提出了改进的多尺度多特征融合的强分类的人脸性别与年龄识别算法,首先对人脸图像进行不同尺度下的局部特征提取和全局特征提取,并与图像的标签文本特征加权融合,最后用多核增强的分类器对特征进行性别识别与年龄估计,提升了识别和估计的准确率。论文选择IMDB-WIKI数据库和我们自定义的包含人脸的10000张微博头像的自定义数据集作为数据源。实验验证结果表明,在相同的测试数据集上:1.本文提出的改进Centernet算法在ROC指标和检测速度方面,与其他同类算法相比有所提高。2.本文提出的多尺度多特征融合的人脸性别与年龄识别算法,在性别识别和年龄估计问题上的识别准确率与1-off准确率方面,均比其他同类算法突出。