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。

针对自组织抗体网络存在冗余抗体和网络性能不稳定的问题，提出一种基于智能互补策略的免疫算法。基于智能互补观点，该方法引入免疫进化算法中的免疫算子，它由接种疫苗和免疫选择两部分操作构成。接种疫苗利用K-means聚类算法抽取疫苗作为初始抗体，形成关于系统的粗略描述；免疫选择对记忆抗体进行优化，调整网络结构。在Iris数据集上的测试结果表明，该方法能够充分利用系统的先验知识快速有效地提取样本的数据特征，使得数据浓缩率和分类正确率更高。