深度学习作为人工智能领域的核心研究课题之一,近几年来取得了飞速的发展。多标签学习结合了随机过程、支持向量机、正则化和深度学习等理论基础进行多标签学习建模,属于一种深度学习方法。目前,已广泛应用于语音处理、图像处理、数据挖掘和疾病预测等领域。本文主要研究基于多标签学习的人脸属性识别算法。传统的单一标签学习不能满足我们的需求,而目前基于多标签学习的人脸属性识别算法存在以下问题:其一,基于多标签学习的人脸属性识别算法在训练过程中标签与标签之间相互制约,不能使每一种分类都能得到很好的性能。其二,基于多标签学习的人脸属性识别算法在年龄等属性上的识别精度整体偏低。其三,多标签数据的标记量很大,现有的数据集都存在人为的误标和错标等现象,使模型在训练的过程中不能很好的收敛,影响模型的最终精度。为此,本文利用基于LOSS的数据筛选、注意力机制以及网络分流和分步训练相结合方法解决了现有的人脸属性算法中年龄识别精度不高的难题。本文的主要工作包含以下几个方面:（1）简要介绍了多标签学习的发展历程以及基本的数据筛选方法,总结了单标签学习和多标签学习的区别并阐述了基于多标签学习人脸属性识别算法的研究现状,比较了迁移学习、多标签学习、多分类学习、多标签学习之间的区别与联系。（2）介绍了实现该算法的整体流程,并提出了基于LOSS的数据筛选方法和在输入端增加注意力机制的策略,使之侧重于图像的特定特征进行训练。（3）提出了基于人脸属性的网络分流多标签实现方法,解决了人脸属性识别算法在训练过程中标签与标签之间相互制约的问题。提出了分步训练的方法,即通过先难后易的学习方式,将问题逐步解决,使较难的学习任务也可以获得较好的识别精度。（4）验证了所提出的基于多标签学习的人脸属性识别算法的有效性。在Adience、UTKFace、Multi-PIE Extended-ear和FERET四个数据集上,将所提算法与目前流行的多标签人脸属性识别的方法相比较,实验结果证明了本文所提方法更加有效。总之,结合基于LOSS的数据筛选、注意力机制以及网络分流和分步训练的多标签学习方法有效地提升了人脸属性识别的准确率。