人脸超分辨率（Face super resolution,FSR）是一种将模糊的低分辨率人脸图像转换为清晰的高分辨率人脸图像的方法,随着人脸识别等技术的兴起,各种应用中对于人脸超分辨率技术性能的要求也越来越高。基于先验信息的人脸超分辨率是目前人脸超分辨率领域中常用的方法之一,这种方法通过利用人脸坐标点等先验信息来构建超分辨率网络,能获得较好的重建效果,但现有的方法也常因网络训练时在人脸五官区域欠拟合、背景部分过拟合而造成重建图像在人脸部位发生模糊、畸变和扭曲。针对现有技术的不足,本文提出了一种基于信息复杂度分类的人脸超分辨率网络模型和数据扩充方法,主要工作如下:（1）针对现有基于先验信息的人脸超分辨算法在网络训练时存在人脸五官区域欠拟合、背景部分过拟合的不足,提出了一种基于信息复杂度分类的人脸超分辨率网络模型,在现有的人脸超分辨率网络中引入了分类网络对图像按其信息复杂度进行分类,并将不同的类经过不同深度的训练,有效缓解了网络训练过程中的过拟合和欠拟合问题。实验结果表明本文所提方法有效提升了重建的效果。（2）针对CutBlur数据扩充方法存在的因剪切区域随机选取而导致剪切区域的强化训练没有针对性、容易在边界处破坏图像本身纹理等不足,提出了一种基于信息复杂度分类的改进CutBlur数据扩充方法,通过引入图像的复杂度分类信息,对图像的剪切位置进行了约束,能让人脸五官在裁剪中保持完整,令网络在训练时可以将注意力集中在能够凸显人脸五官细节特征的区域,减少对细节特征较少的皮肤等背景区域的注意力。实验结果表明,改进后的数据扩充方法能有效提升网络训练的效果。