人脸作为个体最显著的特征,人脸识别在身份识别方面具有重要的意义,是现代重要的身份认证方式。近几年,随着科学技术和视觉技术的开发与应用,人脸识别技术已经存在于日常生活与工作的任何角落。特别在安防监控方面,人脸识别技术作为重要的保障手段,保护着人们的安全。然而,在实际应用中,由于人脸识别系统搭载的环境多种多样且情况多变,比如受到传输方式、环境条件、设备配置和人为因素等方面的影响,所采集的人脸图像往往会出现光照不均、噪声较多、清晰度较低和人脸不完整等现象,这极大影响了后续的人脸识别环节。因此在监控领域从改变或提升输入图像的质量提出解决方案,可以有效提升人脸识别和身份认证的准确率。在监控系统中人脸识别算法准确性主要受三个方面影响:所采集图像亮度较暗或亮度不均、清晰度较低和人脸姿态不端正。并且由于实际场景中自然光照的不可控,采集图像出现亮度较暗或亮度不均的情况较为常见。在亮度较暗的图像中,人脸通常会丢失大量的信息,特征不明显,不利于身份认证和识别。因此本文从人脸图像质量评价和人脸低照度图像增强两个方向进行研究,为提高监控系统下人脸识别算法的精度提出新的解决方案。（1）基于TOPSIS（Technique for Order Preference by Similarity to an Ideal Solution）算法的人脸图像质量评价方法。为了对监控所采集的人脸图像进行筛选,从中选出最适合人脸识别的图像,本文从人脸姿态、图像亮度和图像清晰度三个方面进行综合评估。首先根据面部纹理和比例与偏转角度的关系,设计人脸姿态评估算法。从俯仰角、偏航角和翻滚角三个方向进行评估。再使用Tenengrad算法对图像清晰度进行评估。并将原有的RGB图像转换到YIQ色彩空间中,对其亮度进行评估。最后使用TOPSIS算法进行整体的综合评估,从中选择出最佳图像进行人脸识别。实验结果表明,该方法所得到的结果与主观评价结果基本一致,并且基于TOPSIS算法的人脸图像质量评价不仅考虑到人脸姿态、图像清晰度和亮度,在面向不同环境时,可以对各个影响因子的权重做出调整。本文首次将TOPSIS算法用来研究图像质量评价问题,这在人脸图像质量评价中也是有意义的尝试,能够给之后人脸图像质量评价问题提供新思路。（2）针对监控采集图像亮度不均,噪声较多和分辨率较低问题,本文提出针对于人脸图像的低照度增强算法和超分辨重建算法。针对现实场景中光照较弱或者光照不均条件下采集的人脸图像,本文提出了一个低照度图像增强模型,该模型可以实现端到端的训练。该模型生成器网络参考U-Net网络,在相对称的网络层之间添加跳跃连接,并提取亮度分量作为注意力图,将其添加至跳跃连接中。U型网络中上采样层均使用深度可分离卷积。该模型采用了全局-局部双判别器结构,监督生成网络,两者相互博弈,最终实现人脸低照度图像的增强。该网络不需要成对的低照度数据集进行训练,解决了传统深度学习网络对成对数据集的依赖,并且模型的大小比一般模型小,能够更好的部署到端侧,应用到实际场景中。实验结果表明,该模型可以很好的增强低照度图像,并且避免了局部过曝或者低曝的情况,运行速度也较经典模型有所提高。人脸图像超分辨重建主要参考Dense Net和Res Net理论设计,结合生成对抗网络,添加了降噪模块,使用多融合损失函数,构造了人脸图像超分辨重建网络。该网络不仅可以对输入图像进行降噪处理,还可以对监控系统中低分辨的人脸图像进行超分辨重建。实验结果表明,本文算法重建后的人脸图像与原参考图像更为接近,图像细节纹理较经典算法都更为清晰。