人脸年龄估计因其在消费推荐、安全监控等领域的普遍应用而成为一个重要的研究范例,引起了广泛的关注。一方面,尽管当前已有许多年龄估计模型被提出,然而它们大多着重考虑引入人脸年龄属性的固有特征,或者与其余面部属性估计任务之间的关联,极少考虑挖掘年龄属性内部潜在的关系。另一方面,现有公开的人脸数据集存在年龄值标记不完备的问题,这将严重限制估计器的泛化性能。为此,本文尝试探索面部年龄属性内部潜在的关系,对其建模表示,并将其嵌入到年龄估计模型中,以提升年龄估计的准确性。总结而言,本文所做的主要工作如下:1)挖掘样本特征之间与年龄标签之间的联合关系。本文首先基于最小平方回归模型构建出两类关系自学习模型:AEFR模型与AELR模型。前者用于自动挖掘现有工作鲜有探索的样本特征之间的潜在关系,而后者用于自动挖掘年龄标签之间的潜在关系,以避免破坏累计属性编码结构。随后,本文提出一种联合关系自学习模型AEJR,用以同时挖掘利用两种潜在关系,进一步提升年龄估计的预测性能。考虑到性别属性对年龄属性的影响,本文分别将三种关系自学习模型扩展至性别意识版本。通过大量实验,验证了样本特征之间与年龄标签之间潜在关系的存在,同时表明建模利用这些关系有助于提升年龄预测准确性。2)挖掘标签编码的结构关系与输入输出关系。通过分析最小平方损失及其衍生模型,我们发现年龄估计问题直接采用最小平方损失会导致缺乏对标签结构关系与输入输出关系的利用,致使模型判别能力羸弱。为克服此问题,本文提出SEDOMOR模型。其通过引入低秩结构矩阵来表征输入输出关系,同时引入度量矩阵自动调整类别边界以此表征标签结构关系。为进一步提升SEDOMOR模型识别年龄估计这类含有高度非线性数据问题的判别能力,我们将其推广至具有核函数与深度结构的非线性SEDOMOR模型。通过大量实验验证了SEDOMOR及其衍生模型的有效性和性能的优越性。3)挖掘不同数据集之间的跨库结构关系。通过分析多个公开人脸年龄估计数据集的标记信息,我们发现现有的人脸数据集存在年龄值标记不完备的现象,致使从中获取的模型缺失部分面部老化模式,泛化能力被严重限制。为此,本文提出一种结构关系保护的有序域适应模型,称为SPODA。具体而言,采用域表示矩阵与流形学习分别挖掘域整体结构关系与类结构关系,并为最小平方回归模型引入度量矩阵自动调整回归边界,提升模型跨域年龄估计的泛化能力。通过大量实验表明,SPODA模型相比于现有的域适应模型,在年龄估计问题方面,更具有效性与先进性。