针对现有卷积神经网络(CNN)模型对人脸年龄特征表达能力不足、识别精度不高和模型参数量大的问题，提出一种融入注意力机制的残差网络表观年龄估计方法。首先，对卷积块注意力模块(CBAM)进行优化改进，在获取通道重要度权重的基础上，采用特征融合再训练的方法，混合计算两部分的池化压缩特征互信息，增强关键性通道特征的表示；然后，将改进的CBAM融入到ResNet模型的残差结构中，与残差结构的特征提取层以先后串行结构融合构建新的残差模块；最后，利用SoftMax进行分类获得最终估算年龄。在APPA-REAL和LAP2015两个数据集的实验表明：本文方法比原ResNet模型取得了更好的平均绝对误差指标，并且与其他相关方法的对比也证明了其有效性。