随着深度神经网络的兴起,人脸识别技术得到了飞速发展,在智能门禁系统、火车站海关等身份验证系统中得到了广泛应用并获得了很高的识别准确率,但是这些系统通常要求光照良好、高分辨率、正脸姿态的人脸图像。而实际生活中通常使用监控摄像头采集图像,受到场景、天气和距离等不受控因素的影响,获取的图像或视频很多时候是低分辨率的、模糊的、光照条件差的。目前对于低质量视频的人脸识别还没有达到预期的效果,尤其是当样本库中的对象与待检测对象质量不一致时识别准确率更差,这是因为目前的识别算法无法进行异质匹配。针对低质量视频人脸识别中的异质匹配问题,本文使用深度学习技术,进行了以下研究:第一,针对S2V（Still to Video）任务,提出了一种基于超分辨率重建的视频人脸识别模型。该模型使用关键帧选取算法改善识别稳定性,设计视频重建模型解决异质匹配问题,使用识别网络分类匹配提高识别准确率。在模拟监控场景的人脸数据集COX上进行实验,在相对较高质量的cam1和cam3视频中获得了最好的识别准确率55.91%和70.85%,而在相对较低质量的cam2视频中获得了仅次于最好方法的识别准确率。其中,针对S2V视频人脸识别的超分辨率重建问题,建立了视频重建模型S2V-SR。该模型将SICNN重建思想应用于视频人脸识别中,建立重建网络S2V＿SR和识别网络S2V＿SR,定义超身份损失辅助训练重建网络,设计视频重建训练算法提升重建性能。实验证明,S2V-SR可以输出更好视觉效果、更高分辨率和更多身份特征的结果。第二,针对V2V（Video to Video）任务,提出了一种基于公共特征子空间的视频人脸识别模型。该模型分别为样本库对象和待验证对象设计不同的特征提取网络和训练算法,将两种视频特征映射到同一公共特征子空间进行异质匹配。实验证明,相比于其他算法,该模型样本库和待验证视频质量相差较大的情况下获得了最好的准确率,且表现更加稳定。