近年来,人脸属性识别已经成为计算机视觉和模式识别领域的研究热点之一。人脸属性识别任务可以定义为:给定一张人脸图像,对其中的性别、微笑、魅力等属性做出判断。人脸属性识别在图像检索、人脸识别、微表情识别、图像生成和推荐系统等领域都有很广泛的应用。然而,现实应用中,人脸姿态、光照强度等干扰因素都会严重降低人脸属性识别的准确率。传统的人脸属性识别算法需要人工设计属性特征进行识别,而基于深度学习的算法通过网络自动学习,可以在单个网络框架下训练多个属性特征,不仅属性表征性能更强,而且节省了大量时间。因此,研究基于深度学习的人脸属性识别算法富有理论价值和现实意义。本文的主要工作具体如下:（1）我们提出了一种基于深度多任务多标签卷积神经网络的人脸属性识别算法（DMM-CNN）。DMM-CNN联合训练两个相关的人脸任务（人脸特征点检测和人脸属性识别）来提高属性识别性能。针对不同属性有不同学习难度的问题,我们将人脸属性划分为两组:客观属性和主观属性,并设计了不同的子网络来分别提取两组属性的特征。在训练过程中,我们提出了一种新颖的动态权重策略来更新训练过程中每个属性的权重。此外,我们还提出了一种自适应阈值策略来有效缓解人脸属性数据集中出现的不平衡问题带来的影响。DMM-CNN算法在CelebA和LFWA数据集上分别达到了 91.70%和86.56%的准确率,超过了一些主流的人脸属性识别算法。（2）我们提出了一种基于生成式对抗网络和自监督学习的人脸属性识别算法（GAN-SSL）。该算法首先使用人脸属性合成网络生成目标属性标签的人脸图像来增强人脸属性样本。然后,我们训练一个能识别旋转类型的自监督网络。该网络可以在人脸图像没有属性标签的情况下进行自监督学习,得到一个初始模型。最后,我们调整自监督网络为人脸属性识别网络,并使用生成的标签数据和真实数据微调该网络。在CelebA,LFWA和UMDUED数据集上使用1/10的数据训练时,所提算法相对提高2.42%,3.17%和5.77%的平均准确率。GAN-SSL算法能有效缓解人脸属性识别算法中标签数据不足的问题,显著提高在小样本数据集上的人脸属性识别正确率。