在模式识别与多媒体搜索领域,深度学习卷积神经网络是近年的新兴技术,凭借着简洁、有效、易训练等优势迅速在图像处理领域得到了广泛的应用。尤其是在人脸相关的领域,卷积神经网络的出现极大提升了人脸识别和人脸属性识别的准确率,俨然已经成为目前人脸领域的主流技术和最具前景的技术方向。作为神经网络另类演变,对抗生成网络初期是为了探究神经神经网络的内部构造原理。随着相关技术的不断进化,借助其可以生成逼真图像的特性,在图像重建领域也体现出了很强的实用价值。与此同时,随着监督式学习的性能瓶颈到来,迁移学习的理念作为非监督学习与监督学习之间的过渡,提出可以通过现有场景的数据和方法来探索未知场景下的识别任务,体现出具有较高的研究意义。本文在工程实践和理论研究方面有所兼顾,首先介绍了卷积神经网络的基础结构,传统的理论训练和测试方法;随后介绍了工程上如何使用分布式多卡训练加快神经网络的训练;实际的生产中对于网络前馈所用到的优化技巧,诸如卷积优化,多个计算步骤合并等。最后借助于深度学习框架和指令集技术可以大幅提高训练速度以及10倍的前馈速度提升。研究方面,本文主要研究人脸属性基础识别和人脸属性的迁移学习两个方面的问题。基础的人脸属性识别存在着对于多个数据集任务难以共同利用和网络输出可信程度的把控两个问题,通过调整网络的结构、改进图片预处理的方式、设计自评模块等方法对于相关问题进行了针对性地解决,也提升了人脸图片的属性识别准确性。在morph年龄数据集上绝对误差只有3.5岁,在chalearn fotw性别和微笑数据集准确率上也超过了 90%,而在实验室自已标注的的5类年龄数据集top1准确率达到了 93.6%。另一方面结合对抗生成网络探究迁移学习在人脸属性上的应用,首先通过对于人脸图片进行生成,不断优化合成数据的真实度和广泛性,获得了可以生成真实人脸的神经网络。而为了让人脸属性模型应用于不同的的使用场景,借助于人脸超分辨率的技术结合迁移学习的思想构建了可以对于celeA和lfwA两个数据集都具有良好表现的40类人脸属性模型训练方法。相比于原有模型提高了 10个百分点。