人脸超分辨率重建是指采用图像处理的技术,利用单幅或多幅低分辨率图像,重建出图像的高频信息,从而获得高分辨率图像的技术,在对图像分辨率要求较高的领域有着广泛的应用。在小样本的情况下,如何充分利用训练集图像提供的信息,使重建图像与原图像更接近,一直是人脸超分辨率重建技术努力的方向。针对这个问题,本文提出一种基于位置块的分层人脸超分辨率重建算法,提高了重建图像与原图像的相似性。本文的主要工作和创新点如下:首先,通过对人脸超分辨率重建技术的背景和国内外现状的研究分析,得出目前该技术存在的主要问题,并提出了本文的研究方向。同时学习了典型的人脸超分辨率重建算法的具体实现,为本文算法的实现奠定了基础。其次,根据小样本中训练集数量少的问题,对训练集进行了优化。训练集包括高分辨率图像和低分辨率图像,本文通过左右翻转将两种图像的训练集扩充两倍,并对人脸图像进行裁剪,提取高、低分辨率图像的一阶梯度和二阶梯度特征,对人脸图像和特征图像进行多尺度分块,用于基于位置块的人脸超分辨重建。利用低分辨率特征图像的非局部相似性搜索待重建图像块的相似块,将训练集中相同位置的图像块组成图像块集合作为待重建图像块的训练集,提高了训练集的有效性。最后,为了充分利用训练集高、低分辨率图像的信息,提出同时使用高、低分辨率特征图像建立权重矩阵,利用权重矩阵的约束,减少了重建人脸图像的局部重影现象。并通过不同分块大小建立分层模型,使图像的重建过程更好地反映图像的退化过程。本方法在FERET数据库、CAS-PEAL-R1数据库和FEI数据库上进行仿真实验,与基于插值、基于学习和基于位置块的重建算法对比,从图像的峰值信噪比和结构相似性得出,本文提出的算法能更充分地利用训练集图像的信息,获得更好的重建人脸图像。