随着“智能交通”、“平安城市”、“智慧城市”等安保项目的不断建设,视频监控在公共安全中的地位愈发凸显。但是,一个不可否认的事实是,在室外大场景、不受限的环境下,监控摄像头采集到的人脸图像往往分辨率较低,无法提取有用信息。虽然,人脸图像超分辨率技术,即人脸幻构能够从低分辨率人脸图像中估计得到高分辨率人脸图像,但是在实现小脸图像的8倍放大时,现有的人脸幻构方法难以达到理想的重建效果。因此如何从长、宽只有十几个甚至更少像素的低分辨率图像中重建得到高分辨率图像,成为国内外亟待解决的一项技术难题。近些年,得益于大数据及云计算的发展,在计算机视觉任务中,深度学习已然达到了空前未有的准确性。因而本文以深度神经网络和生成对抗网络为基础,针对超低清人脸的8倍放大,做出了以下三点贡献:1.针对当前人脸幻构方法重建效果不足的问题,提出一种基于相对生成对抗网络的超低清人脸幻构方法。该方法将残差块、稠密块以及深度可分离卷积算子引入生成网络中,在保证网络深度的前提下降低其参数量;通过先后对VGG128进行去除批归一化层、添加全连接层等精细化调整,以充分发挥相对生成对抗网络在小脸幻构问题上的能力极限。实验结果表明提出方法能够以深度网络输出清晰度更高的幻构人脸。但是,类似于多数深度神经网络,该人脸幻构模型仍旧缺乏一定的可解释性。2.针对当前深度神经网络可解释性差的问题,在基于相对生成对抗网络的超低清人脸幻构方法的基础上,将求解微分方程的线性多步法引入生成模型中,从而以数学分析的角度解释深度神经网络原理,并在此基础上进一步提出基于线性多步法的超低清人脸幻构方法。实验结果表明利用线性多步法有望构建参数量小、精度高的人脸幻构模型。但是,在像素损失项的约束下,相对生成对抗网络为幻构人脸带来的真实感依旧不足。3.为了增强幻构人脸的真实感、降低网络训练的复杂度,进一步探讨了一种基于上下文损失的超低清人脸幻构方法。该方法使用上下文损失训练一个前馈深度神经网络作为人脸幻构模型。作为感知损失的一种,上下文损失采用全卷积网络提取的中间特征图作为比较对象,是以对人脸的高频细节特征更加具有针对性,从而提升生成样本的真实感。实验结果表明提出方法能够以深度网络输出真实感更强的幻构人脸。