L'estimation de l'âge à partir d'images faciales est généralement formulée comme un problème de régression non linéaire. Le principal défi de ce problème réside dans l'hétérogénéité de l'espace des caractéristiques faciales en fonction des âges, due à la grande variabilité de l'apparence faciale entre différentes personnes du même âge et à la propriété non stationnaire des modèles de vieillissement. Dans cet article, nous proposons les Forêts de Régression Profondes (DRFs), un modèle d'extrémité à extrémité, pour l'estimation de l'âge. Les DRFs relient les nœuds de division à une couche entièrement connectée d'un réseau neuronal convolutif (CNN) et traitent les données hétérogènes en apprenant conjointement des partitions de données dépendantes des entrées aux nœuds de division et des abstractions de données aux nœuds terminaux. Cette apprentissage conjoint suit une stratégie alternée : premièrement, en fixant les nœuds terminaux, les nœuds de division ainsi que les paramètres du CNN sont optimisés par rétropropagation ; ensuite, en fixant les nœuds de division, les nœuds terminaux sont optimisés par itération d'une règle de mise à jour sans pas et convergente rapidement dérivée du bornage variationnel. Nous vérifions les DRFs proposées sur trois benchmarks standard d'estimation de l'âge et obtenons des résultats d'état de l'art sur chacun d'eux.