人脸识别技术由于有着广泛的应用前景受到学术界的大量关注,在现实环境中,大部分人脸图像质量较差,分辨率不一致,包含的信息较少,再受到光照、姿势等不确定因素的影响,导致有时候很难完成识别。本文将从局部图像块问题出发,研究低分辨率人脸识别。因此本文的主要内容和创新点如下:(1)本文提出一种基于特征表示集的低分辨率人脸识别方法,获取测试和训练样本各个像素位置的图像块,使用Schatten-p范数代替以前研究中的核范数,在有遮挡的AR人脸数据库以及Extended Yale B人脸数据库下,获得了良好的识别率。(2)本文提出一种基于特征学习的跨模态低分辨率人脸识别方法,通过提出的模型学习一个公共特征表示空间,将人脸图像投影到一个公共的特征空间里,并使用了具有鉴别能力的表示学习方法,从而实现了低分辨率人脸图像的识别。在CUHK素描数据库和AR数据库上的实验结果表明,本文提出的方法比一些先进的人脸识别方法识别效果更好。(3)由于低分辨率人脸图像可用信息较少,为了提高计算效率,本文通过人脸特征点检测技术提取人脸关键点人脸像素,提出一种卷积神经网络特征的低分辨率人脸识别方法。对于每一个图像块,通过神经网络的学习得到特征向量,运用加权稀疏编码正则的回归表示方法对测试图像块的特征向量和训练图像块的特征向量进行线性表示,最后完成每一个测试图像块的分类,通过在AR人脸数据库和Extended Yale B人脸数据库中得出的实验结果均验证了算法的有效性。