Como muitos problemas em visão computacional, a estimação de idades a partir de imagens faciais envolve um número elevado de atributos. Para viabilizar computacionalmente a aplicação de um método de regressão e eliminar a influência de atributos irrelevantes ou redundantes, é apropriada a realização de uma etapa intermediária de redução de dimensionalidade, que explore a estrutura dos dados de modo simplificar a tarefa de estimação. Foram estudados os métodos de análise de componentes principais (PCA), análise discriminante linear (LDA) e aprendizado de subespaço através de ordenação de idades por pares (PAR) para a redução de dimensionalidade, aplicados ao problema de estimação de idades. Foram avaliadas comparativamente as variantes não lineares, baseadas em kernels, de PCA e LDA, KPCA e KDA, assim como uma de PAR, KPAR, que foi derivada neste trabalho. Resultados sugerem uma melhora significativa na acurácia da estimação das idades quando são aplicados os métodos não lineares em comparação com os métodos lineares correspondentes.