L'estimation de l'âge est un problème important mais très complexe en vision par ordinateur. Les méthodes actuelles d'estimation de l'âge appliquent généralement une stratégie de division pour surmonter les données hétérogènes résultant du processus d'vieillissement non stationnaire. Cependant, le processus de vieillissement facial est également un processus continu, et la relation continue entre les différents composants n'a pas été exploitée efficacement. Dans cet article, nous proposons BridgeNet pour l'estimation de l'âge, qui vise à extraire efficacement la relation continue entre les étiquettes d'âge. Le BridgeNet proposé se compose de régresseurs locaux et de réseaux de portes. Les régresseurs locaux divisent l'espace des données en plusieurs sous-espaces superposés pour traiter les données hétérogènes, tandis que les réseaux de portes apprennent des poids sensibles à la continuité pour les résultats des régresseurs locaux en utilisant la structure arborescente proposée (bridge-tree), qui introduit des connexions ponts dans les modèles arborescents pour imposer la similarité entre les nœuds voisins. De plus, ces deux composants du BridgeNet peuvent être appris conjointement de manière end-to-end. Nous présentons des résultats expérimentaux sur les jeux de données MORPH II, FG-NET et Chalearn LAP 2015 et constatons que BridgeNet surpasses les méthodes actuelles de pointe.