随着大数据时代人脸图像数据的爆炸性增长,以及日益复杂的实际应用需求,“人脸属性”这种高级图像视觉语义逐渐走入研究者的视野,使得目前的计算机视觉算法更加深入关注人脸的面部细节和视觉语义含义,推动了许多相关的计算机视觉任务的发展。人脸属性识别是人脸属性研究的基础任务,旨在精确地识别出给定人脸图像中存在的视觉语义信息。近年来,深度学习的快速发展推动着人脸属性识别任务的研究,尽管如此,已有方法仍然存在语义信息利用不充分、特征判别性差等问题。鉴于此,本文提出一种基于深度学习的人脸属性识别网络框架,并基于该框架从两个方面重点研究了人脸属性特征的优化问题,主要贡献如下:(1)提出了一种深度双向阶梯式人脸属性识别框架DBLN,利用深度卷积神经网络所提取特征的层次化特性,对人脸属性的固有内在性质进行建模,即,人脸属性的局部和全局特性,分别对应于深度卷积神经网络的浅层和深层特征。实验证明,DBLN框架可以在深度网络的不同层次,充分提取和利用人脸图像中的语义信息,学习对人脸属性识别任务有益的判别性特征表示。(2)设计了两种人脸属性特征优化机制,得到基于双重特征优化的Dual-DBLN深度人脸属性识别模型。具体而言,一方面,本文利用DBLN特有的双向阶梯式结构,设计了基于双重残差注意力机制的双向特征优化模块,以学习包含有充分语义信息的特征表示;另一方面,设计了一种基于局部互信息最大化约束的单向特征优化损失,以学习具有判别性的人脸属性特征。大量的实验结果表明,本文提出的模型可以实现目前最优的人脸属性识别性能。