针对非受限条件下人脸图像年龄分类准确度较低的问题，提出了一种基于深度残差网络（ResNets）和大数据集微调的非受限条件下人脸年龄分类方法。首先，选用深度残差网络作为基础卷积神经网络模型处理人脸年龄分类问题；其次，在ImageNet数据集上对深度残差网络预训练，学习基本图像特征的表达；然后，对大规模人脸年龄图像数据集IMDB-WIKI清洗，并建立了IMDB-WIKI-8数据集用于微调深度残差网络，实现一般物体图像到人脸年龄图像的迁移学习，使模型适应于年龄段的分布并提高网络学习能力；最后，在非受限人脸数据集Adience上对微调后的网络模型进行训练和测试，并采用交叉验证方法获取年龄分类准确度。通过34/50/101/152层残差网络对比可知，随着网络层数越深年龄分类准确度越高，并利用152层残差网络获得了Adience数据集上人脸图像年龄分类的最高准确度65.01%。实验结果表明，结合更深层残差网络和大数据集微调，能有效提高人脸图像年龄分类准确度。

在介绍了基于时间序列的动态信息数据库结构的基础上，结合电力系统数据特点，分析了并发数据处理、内存映射文件、磁盘缓存、关联数据存储等构建动态信息数据库的关键技术，并着重研究了数据采集流程和混合压缩算法。经实际应用案例表明，采用该关键技术构建的动态信息数据库满足了电力系统海量数据高速存储的要求。