人脸识别具有交互性强、无需接触、便捷等优势,是模式识别领域研究的热点问题,在公共安防、智能教育、行人检测等领域得到广泛应用。但实际场景中,由于监控硬件设备受限,目标行人常常距离摄像设备较远,所采集的人脸图像分辨率较低,难以达到准确辨识的要求。因此,对实际场景中的低分辨率人脸图像进行识别是提升人脸识别系统性能的关键。随着人工智能的兴起,基于深度学习的识别方法已经成为人脸识别领域的主流算法。由于人脸为非刚体性,受到外界成像因素、人脸表情姿态变化等影响,尤其是在低分辨率场景下,人脸识别依然存在很大的技术挑战。为了提高低分辨率人脸的识别率,本文将采取分步策略,首先通过超分辨率技术提高人脸图像质量,然后级联基于全局分离卷积的识别网络,构建出基于多任务网络的低分辨率人脸识别算法。本文主要贡献如下:1.由于低分辨率样本与高分辨率样本信息分布的不一致性,传统的超分辨率算法的重建性能难以达到实际应用水平这一问题,本文设计了一种基于可分离卷积迭代投影的神经网络,用于提高低分辨率人脸图像重建效果,使用初始网络提取浅层特征,投影单元网络进一步减少高低分辨率细节信息间的差距。实验结果表明,所提出的算法在CASIA-Webface数据集上,主观质量与客观评分均超过了对比算法。2.为了更好学习低分辨率人脸图像中具有判决性的表达特征,本文提出了一种基于特征增强的生成对抗网络的人脸超分辨率算法,该算法通过不同深度的残差网络学习特征,密集连接实现不同层次信息之间的交互,进而学习层次特征。此外,融合特征域与像素域的加权感知损失函数优化网络模型,以提升算法性能。本算法在主、客观质量上都优于所对比的前沿图像超分辨率算法。3.针对现实场景中所观测到的低分辨率人脸图像无法直接进行跨分辨率识别的问题。本文提出了一种基于多任务网络的低分辨率人脸识别算法。首先利用基于特征增强的生成网络对低分辨率图像进行恢复,获取具有强判别能力的特征,然后级联识别网络,利用全局分离卷积实现深层网络整体区域的特征提取,进而提高识别率。实验结果证明了所提出的多任务网络的有效性。