人脸识别考勤机是现代企业广泛使用的考勤设备,但目前许多企业人脸考勤系统仍存在识别准确率低和安全性能等问题。在许多场合下,人脸考勤过程受到环境等因素干扰,摄像头捕获到的人脸图像分辨率低,使员工不能成功签到。同时,纸质或视频等含有人脸图像的伪造人脸能够成功通过人脸识别,也给人脸考勤识别带来了挑战。为保证人脸考勤系统性能,本文设计多种卷积神经网络（Convolutional Neural Network,CNN）算法,能够提升人脸图像质量,筛选掉质量低的人脸图像,并确保真人在考勤机前完成识别。本文主要完成的工作包括:（1）针对摄像头直接获取的原始图像存在分辨率低以及环境等因素干扰,导致人脸考勤系统无法准确识别人脸的问题,提出一种改进的快速单幅图像超分辨率重建算法。该算法在原快速卷积神经网络的特征提取模块上再加一层卷积层,提高网络特征提取能力。引入全局-局部残差注意力模块,充分利用浅层网络信息,捕获低维映射到高维的关键信息。为保证人脸考勤系统的实时性,将反卷积层改为亚像素卷积层。本文提出的模型与原快速超分辨率重建算法模型相比,在LFW数据集放大倍率为4的条件下,PSNR提高0.376d B。（2）提出一种基于双特征卷积网络的图像质量评估算法,评价超分辨率重建算法后的图像质量。使用局部二值模式算法提取纹理特征,基于改进的总变差算法提取结构特征。引入残差网络与通道注意力模块提高网络性能,将两种特征综合得到最终质量分数。提出的模型在QADS数据集上的PLCC值为0.9656,SROCC值为0.9651,KROCC值为0.8456,与各种图像质量评估算法相比性能最佳。（3）针对考勤系统无法识别出伪造人脸图像的问题,提出基于卷积神经网络的活体检测算法抵御伪造人脸图像的攻击。网络输入大量伪造人脸图像与真实人脸图像,训练得到高精度的二分类活体检测器,使网络具有辨别真实/伪造人脸图像能力。该网络模型在NUAA测试集上的识别准确率达98%,有效抵御伪造人脸图像的攻击,保证系统的安全性。