Da das Gesichtsaussehen erheblichen innerklassischen Variationen unterliegt, die durch den Alterungsprozess im Laufe der Zeit verursacht werden, stellt altersinvariante Gesichtserkennung (Age-Invariant Face Recognition, AIFR) weiterhin eine große Herausforderung für die Gesichtserkennungsgemeinschaft dar. Um die durch das Altern verursachten innerklassischen Diskrepanzen zu reduzieren, schlagen wir in dieser Arbeit einen neuen Ansatz vor (genannt Orthogonale Einbettungs-CNNs oder OE-CNNs), um altersinvariante tiefe Gesichtsmerkmale zu lernen. Insbesondere zerlegen wir tiefe Gesichtsmerkmale in zwei orthogonale Komponenten, um altersbezogene und identitätsbezogene Merkmale darzustellen. Als Ergebnis werden dann die altersrobusten identitätsbezogenen Merkmale für AIFR verwendet. Darüber hinaus, um die bestehenden Cross-Age-Datensätze zu ergänzen und die Forschung in diesem Bereich voranzubringen, haben wir einen neuen groß angelegten Cross-Age Face Datensatz (CAF) erstellt. Ausführliche Experimente auf drei öffentlich zugänglichen Gesichtsalterungsdatensätzen (MORPH Album 2, CACD-VS und FG-NET) haben die Effektivität des vorgeschlagenen Ansatzes sowie den Wert des erstellten CAF-Datensatzes für AIFR gezeigt. Die Benchmarks unseres Algorithmus auf einem der beliebtesten allgemeinen Gesichtserkennungsdatensätze (Labeled Faces in the Wild, LFW) verdeutlichen zudem die vergleichbare Generalisierungsleistung bei GFR.