近年来,人脸识别一直是图像识别的研究热点,并取得了迅速发展,在众多场景中已经普及应用。如今很多安全部门、敏感公共场所、交通要道、居民小区等都配备了全天候实时视频监控系统,清晰的输入图片已经成为大部分人脸识别模型取得高精度的前提条件。然而,由于受到监控摄像头分辨率性能、监控环境光照条件、目标距离等因素影响,监控系统所获取的视频图像可能是低质量的模糊图像,分辨率偏低,面部细节丢失,会影响进一步识别问题。因此,改善图片的质量,研究快速高效的重建方法是十分重要的。为了解决这个问题,本文利用深度学习方法,探究人脸超分辨率技术,构建了高性能的重建模型,之后就该技术在人脸识别中的应用做了初步研究,本文的研究内容为:1、分析了典型的超分辨率重建算法,从理论上证实了卷积神经网络所具有的优势,提出了保持人脸特性的重建算法。针对于人脸这种具有鲜明特征的图像,本文在构建重建网络时,实验选取合适的卷积网络参数,采用改进后的损失函数,能在保持人脸整体特征不变性的基础上,最大可能提升细节特征还原能力。2、改进了基于生成对抗网络的超分辨重建模型,使得生成的人脸图像效果有进一步提升。生成对抗训练作为一种全新的训练方式,本文主要从网络构建、目标函数、训练集这三个方面的改进来实现人脸图像超分辨重建。生成网络基于改进的拉普拉斯金字塔来加强人脸的边缘轮廓,结合多层次的特征损失使图像更自然。另外,本文构建多尺度、多场景、多姿态的人脸训练集,提升了算法对不同真实场景的鲁棒性。3、搭建了整个人脸识别框架,对超分辨率重建算法在实际场景中的应用进行了初步探索。实现了人脸检测、人脸规范化、人脸特征提取及人脸比对整个流程,并将人脸超分辨率重建算法嵌入其中。通过实际数据测试,结果表明该算法可以有效地提高人脸超分辨率效果,提升低分辨率识别精度近15%。