人脸属性是一个人身份信息的中层表征,通常包含人物的年龄、性别、眼镜、帽子等属性信息。由于其语义特征明显且短期不变的特性,使得人脸属性成为描述一个行人身份的重要特征。在人脸验证、视频监控、人脸检索、社交媒体等领域中都有着极大的优势。现有的人脸属性识别方法主要包括两类,其中一种为单任务学习的方式,针对每一个任务单独训练一个模型,这类方法可以针对每一个属性进行单独的数据调优,利用重采样的方法可以从本质上解决多任务学习中的数据不均衡问题,但是这类方法忽略了各个属性之间的相互依赖关系。另一类为多任务学习的方式,利用属性的关系,低层的特征共享,高层的特征进行分组学习,该方法利用手工分组的方式辅助网络建模属性相关性来提升算法性能,但是这类方法忽略了各个任务之间的特异性,同时训练多个属性分类,很难保证各个任务的收敛情况。本学位论文综合考虑了人脸属性的相关性和特异性,并基于现有的人脸属性识别方法开展了一系列改进研究,主要表现为:(1)针对人脸属性相关性问题,现有方式为人工确定相关属性进行分组,探索不同分组的方式对结果的影响。本论文针对现有的网络结构进行改进,提出基于空间长短时记忆神经网络的人脸属性识别方法,通过扫描人脸属性特征图构建特征序列,利用长短时记忆神经网络处理序列依赖问题的优势,端到端的建模人脸属性之间的相关性,剔除手工分组这一操作,并在主流人脸属性数据集上验证了网络的有效性。(2)人脸属性识别的属性之间,由于数据分布、属性尺度等原因造成属性之间的收敛难度不同,然而现有方法并没有区分对待各个任务。针对人脸属性特异性问题,本论文对传统多任务损失函数进行修改,提出基于自适应权重的多任务人脸属性识别方法,通过设计自适应权重参数,让网络自适应地训练不同难度的任务,使得网络实现复杂任务挖掘的同时,提升简单任务的泛化能力。本论文提出的算法均在主流人脸属性数据集上进行了测试并进行了一系列的可视化展示分析,希望能给读者带来一些更深入的理解,以启发更多的未来工作。