近年来深度卷积网络在人脸识别和属性分类任务上都达到了极高的准确率,尽管这两个任务有着密切的相关性,但利用其相关性来同时进行这两个任务并提升任务精确度,仍然是一个很有挑战性的问题。因此,本文针对多任务下的人脸识别和属性分类相关问题展开研究,并设计了一个多任务学习模型,该模型先利用人脸特征中的全局信息与身份信息提升属性分类结果,再通过提取属性特征所包含的语义信息和基于类中心的度量学习算法进一步增强模型表征人脸的能力。本文主要工作如下:1.设计了一个基于人脸识别模型的属性分类单向十字绣网络。围绕属性分类模型缺乏与人脸识别模型进行足够的特征交互的问题,本文针对不同尺度的人脸属性提取了不同感受野的人脸特征,并设计了一个单向十字绣结构来提取人脸特征中所包含的信息,从而帮助提升属性分类的精确度。经过与多种算法的实验比较,该模型能在保证人脸识别精度的前提下,输出高精度的属性分类结果。2.提出了一个基于多任务动态路由选择和类中心度量学习的人脸识别增强算法。围绕不同的人脸属性对于不同的人脸其重要程度相差较大的问题,本文设计了一个基于动态路由算法的注意力结构,来自适应的计算属性对于人脸的权重,同时通过分析当前人脸识别算法应用在真实场景中存在训练阶段与测试阶段对类别中心定义不一致的问题,提出了一种基于类中心的度量学习算法,进一步增强了模型的人脸表征能力。本文在人脸相关数据集和真实场景数据集中进行了实验测试,从而证明了该算法的有效性。3.设计并实现了一个人脸识别及属性分类系统。该系统通过嵌入本文提出的相关算法,能同时进行高精度的人脸属性分类任务和人脸识别任务。本文详细介绍了系统的总计架构和各个模块的具体实现,并展示了系统的实际运行效果。