L'intérêt pour la reconnaissance faciale invariante à l'âge a considérablement augmenté ces dernières années. Cependant, l'appariement de visages présentant de grands écarts d'âge reste un problème difficile, principalement en raison des disparités significatives dans les apparences faciales causées par le vieillissement. Pour réduire ces disparités, cet article propose un nouvel algorithme permettant d'éliminer les composantes liées à l'âge des caractéristiques qui contiennent à la fois des informations d'identité et d'âge. Plus précisément, nous décomposons une caractéristique faciale mixte en deux composantes non corrélées : une composante dépendante de l'identité et une composante dépendante de l'âge, où la composante dépendante de l'identité inclut des informations utiles pour la reconnaissance faciale. Pour mettre en œuvre cette idée, nous proposons l'algorithme d'apprentissage adversarial decorrélatif (DAL), dans lequel un module de cartographie canonique (CMM) est introduit pour trouver la corrélation maximale entre les caractéristiques appariées générées par un réseau de base, tandis que le réseau de base et le module de décomposition sont formés pour générer des caractéristiques réduisant cette corrélation. Ainsi, le modèle proposé apprend les caractéristiques décomposées de l'âge et de l'identité dont la corrélation est considérablement diminuée. En même temps, la caractéristique dépendante de l'identité et la caractéristique dépendante de l'âge sont respectivement supervisées par des signaux préservant l'ID et l'âge pour garantir qu’elles contiennent toutes deux les informations correctes. De nombreuses expériences ont été menées sur des jeux de données populaires du domaine public concernant le vieillissement facial (FG-NET, MORPH Album 2 et CACD-VS) afin de démontrer l’efficacité de notre approche proposée.