人脸超分辨率是计算机视觉的一个热点研究方向,目前多数算法仅针对双三次降采样或其他高斯模糊技术生成的人工低分辨率图片进行超分。但真实场景下采集到的人脸图像往往受到噪声、模糊、低分辨率等复杂降质因素的干扰,这导致传统的人脸超分具有较低的鲁棒性,无法满足现实需要。因此对真实场景下的人脸图片进行盲超分具有重要的现实意义。针对这一问题,常见的人脸盲超分算法分为有监督和无监督两种技术方向。其中基于有监督的算法往往通过引入先验知识来生成人脸,该算法生成的图片质量较高,但存在先验知识质量不佳和鲁棒性较低的缺点。无监督算法具有广泛的适用性和较高的鲁棒性,但其训练不稳定导致可行解空间过大,最终造成生成的图片质量较差。本文针对上述两种思路各自的难点分别提出两种算法,具体研究内容如下:（1）提出一种基于生成性人脸先验的人脸盲超分算法GPLFSR。该算法将强大的人脸生成网络Style GAN2作为先验知识引入到人脸盲超分过程中。在现有GLEAN网络的编码器-潜在库-解码器结构的基础上引入了一种更精细的先验特征结合方法,即信道压缩激励空间特征变换（SE-SFT）层。通过SE-SFT层使网络可以更好地利用预训练网络中的先验信息,使网络在增加鲁棒性的同时在超分结果的真实性和保真度之间取保持平衡。此外,为了提高网络性能,本文引入了身份一致性损失。实验结果表明,该方法在16×放大因子下的感知指标和视觉效果优于现有的人脸超分方法。（2）提出一种基于降质变分自编码器（DAE）来引导Cycle GAN实现人脸盲超分辨率的算法DAE-Cycle GAN。本章提出用变分自编码器来学习真实场景的图片降质过程,并基于Cycle GAN设计整体架构来进行无监督循环训练。这使得降质网络DAE可以从真实低质量图片中学习到噪声和降质模型并生成与高清图片对应的真实低质量图片,而超分网络则可基于成对的图片进行训练。该算法由于并未用到人脸的先验信息,所以网络也适用于传统图像的超分。实验表明,提出的网络在无监督训练的前提下可取得与有监督网络相当的人眼感官和更好的数值指标,且本网络在真实场景下具有更强的鲁棒性。