人脸的性别识别技术是人脸识别任务中一个重要的组成部分。目前,人脸识别技术成为了研究的热点,它在刷脸支付、人机交互、视频监控等领域已经有了大量的应用,为科技和经济的发展起到了良好的推动作用。人脸属性的判断是人脸识别技术的目标,而人脸的性别是人脸属性中重要而基础的一项。过去的研究通常选取在特定条件下拍摄的人脸图像作为研究对象,这些研究中所提出的方法对于这样的人脸图像已经有了较好的识别效果,但是它们对于真实场景下的人脸图像的识别效果还远达不到实际应用的要求。因此,本文的研究对象主要是真实场景中的人脸图像。这个任务的难度更高,也更具实际意义。针对真实场景中的性别识别所面临的问题,本文选择了深度学习的模型对人脸图像进行特征提取并分类,通过调整网络结构使得深度网络所提取的特征具有更强的表达性。经调研,本文选择了深度残差网络的模型进行图像特征的提取,它层数足够深且不会产生恶化现象。此外,本文选用Large-Margin Softmax损失作为分类任务的损失函数,使得识别的正确率有所提高。在此基础上,本文将相似性度量的方法引入解决方案中,以样本对是否属于同一类别作为监督对深度网络进行训练,目的是训练一个至新特征空间的映射,使得该空间中样本点的特征更具区分性,达到扩大类间距离和缩小类内距离的效果。这样,性别识别任务的正确率有了进一步的提高。本文所提出的方案在Adience数据集上达到了 91.6%的平均交叉验证正确率。