本文主要研究了基于深度学习的人脸特征分析与应用技术研究，采用卷积神经网络的方法来进行人脸识别和人脸年龄估计。但是使用卷积神经网络来进行人脸识别的现有方法仍然存在一些问题，比如信息损失、消耗资源多、特征表达能力和区分性不足的问题。而在人脸年龄估计任务中，往往存在忽略关键性局部特征的问题。　　本文首先提出了一种基于 SDFCNN （ Shallow and Deep Fusion Convolutional Neural Networks）的人脸特征提取方法来解决卷积神经网络中深层特征会损失部分特征信息的问题。与其他方法不同的是，首先通过使用并行的多个不同尺度的卷积层来提取浅层特征，并与深度卷积层提取的特征融合得到浅层融合特征，然后与更深度卷积层提取的特征进行融合用于softmax分类。通过实验证明，本方法相较于无特征融合的网络，能够提取出表达力更强的人脸特征。　　接着本文提出了一种基于嵌套残差卷积神经网络与角度度量的人脸识别方法，能增强特征的区分性，并使得在较低的复杂性下仍能保证较高准确率。在常见的卷积神经网络通常使用分类损失（softmax loss）来进行可分离的特征学习，在某些情况下，存在特征的可区分性不足，而一些改进的方法复杂度较高。因此本文设计了一种新颖的基于嵌套残差模块的人脸特征提取网络，通过多特征图融合的方式提取更丰富的特征；其次，使用了一种基于权值标准化的角度度量方法，通过对最后一个全连接层的权值进行标准化的操作来增强特征区分性。在网络训练时结合上述两种方法使得学习到的特征满足最大类内距离小于最小类间距离的原则。通过实验表明，本方法提取的特征具有良好的区分性，相较于使用分类损失和其它度量学习的方法，本方法能在保证较高准确率的情况下付出更小的计算代价。　　本文在人脸特征提取的基础上，进行了年龄评估的应用研究。人脸关键部位的局部特征往往包含了与年龄相关的重要信息，但是很多方法只考虑了全局特征而忽略了局部特征。因此本文提出一种基于双重加强特征的人脸年龄估计方法。首先，根据人脸关键点的位置对人脸图片进行裁剪分块，提取出眼睛、鼻子、嘴巴三个包含了与年龄相关的特征（比如眼纹、法令纹、胡子等）的局部区域，而这些局部区域可以在已有的全局特征基础上加强关键性的局部特征信息。然后，将局部区域图片和整张图片联合起来输入到基于压缩激励的并联残差网络中，该网络能够通过特征重标定的方法来进一步加强了有用的特征并抑制用处不大的特征。最后把多个不同子区域年龄估计结果结合起来作为最终的年龄预测值。实验表明，本方法中所采用的全局特征结合局部特征进行年龄估计的方式是好于仅使用全局特征来判断年龄。相比于其他方法，本方法具有较低的平均绝对误差，并且有较低的复杂度。　　总体而言，本文从人脸特征提取、人脸识别、和人脸年龄估计三个方面进行相关研究，成效明显，未来可将技术应用于快速检索和高精度的人脸识别。