La predicción de belleza facial (FBP) es un tema de investigación líder en el campo de la inteligencia artificial (IA), en el que las computadoras hacen juicios y predicciones de belleza facial similares a las de los humanos. En la actualidad, los métodos se basan principalmente en redes neuronales profundas. Sin embargo, todavía existen algunos problemas como la información de etiqueta insuficiente y el sobreajuste. El aprendizaje multitarea utiliza información de etiqueta de múltiples bases de datos, lo que aumenta la utilización de la información de etiqueta y mejora la capacidad de extracción de características de la red. La fusión de características atencionales (AFF) combina información semántica e introduce un mecanismo de atención para reducir el riesgo de sobreajuste. En este estudio, se presenta el aprendizaje multitarea de una política de intercambio adaptativo combinado con AFF basado en la red de intercambio adaptativo (AdaShare) en FBP. Primero, se agrega una política de intercambio adaptativo al aprendizaje multitarea con ResNet18 como red de base. En segundo lugar, se introduce el AFF en las conexiones cortas de salto de la red. El método propuesto mejora la precisión de FBP al resolver los problemas de información de etiqueta insuficiente y problemas de sobreajuste. Los resultados experimentales basados en la base de datos de belleza facial de Asia a gran escala (LSAFBD) y las bases de datos SCUT-FBP5500 muestran que el método propuesto supera la línea de base de una sola tarea de una sola base de datos y puede aplicarse ampliamente en la clasificación de imágenes y otros campos.