利用图像复原技术和生成式对抗网络来解决模糊情况下的人脸识别是一个值得研究的课题。本文介绍了人脸识别领域的背景知识和人脸识别领域的研究现状,同时概括了模糊情况下人脸识别研究的现状。本文的主要工作如下:首先,本文设计了一个人脸识别系统,共分为人脸检测、人脸数据库建立和人脸识别三个模块。人脸检测模块应用了Haarcascade算法,人脸数据库结合了公开数据库和自建数据库,人脸识别模块集成了经典人脸识别算法和现代深度学习模型,其中经典人脸识别算法基于PCA算法,深度学习模型选用Face Net模型,本人脸识别系统可根据不同应用场景选择不同模块,并能够在人脸数据集或实时视频流上完成人脸识别工作,具有一定的实用价值。其次,本文针对系统开发中发现的人脸图像因运动模糊造成的识别率降低的问题,基于图像复原技术和生成式对抗网络技术对模糊人脸图像的识别展开了研究。首先介绍了图像模糊和复原的原理,对经典的图像复原技术进行了总结,重点介绍了其中的维纳滤波和最小二乘方滤波,并通过实验比较了两种滤波的复原效果,根据实验结果得出最小二乘法滤波法要优于维纳滤波的效果。然后介绍了生成式对抗网络的原理,最后提出了一种基于最小二乘方滤波的SRGAN方法,具体介绍了其中的网络结构和模型的训练过程,用该方法复原模糊人脸图像并与维纳滤波、最小二乘方滤波和SRGAN法进行对比实验,同时将这四种方法放入基于Face Net的人脸识别模块中进行测试,本文所提方法处理后的识别率可由模糊时的80.37%提升到97.02%,接近原识别率97.75%,证明本文所提出的基于最小二乘方滤波的SRGAN方法具有一定的有效性,同时证明本文的基于图像复原与生成式对抗网络的模糊人脸识别研究具有一定的实用价值。