伴随着我国智慧城市建设不断推进,大规模的数字监控系统已经在城市生活管理中起到了重要作用。但在现实场景中,由于摄像头自身传感器限制或是由于图像采集设备与被摄目标距离较远等因素,造成采集到的人脸图像大多质量不佳:分辨率低、质量差,肉眼难以辨识。这类低质量人脸图像大幅度影响人脸相关任务的识别率和准确率。因而改善低分辨率人脸图像的视觉质量,研究一种高效、鲁棒的超分辨率算法具有重要的实际应用价值。为了有效解决这一问题,本文改进了基于人脸结构知识指导的深度学习人脸超分辨率方法,首先引入人脸边缘线作为一种新的人脸结构知识,接着设计了模型网络框架,提出了一个高性能的人脸超分辨率模型。实验验证,在大规模公开人脸数据集上,该模型无论在主观评价指标还是在客观评价指标上均优于其他人脸超分辨率算法。本文研究内容如下:1、提取了人脸边缘线的特征。对于人脸这一类具有高度结构化特征的图像,本文提出的人脸边缘线包含了更精细的人脸语义结构信息,能够更有效的建模了人脸的几何结构,进而充分提升了基于结构先验知识的人脸超分辨率算法重建的性能。由于人脸边缘线保持了较低的获取成本,因此能够有效的处理大规模人脸数据集。同时,本文构建了一个更加高效的单阶段模型。该模型通过改进网络结构,充分利用了人脸边缘线,构建的模型在生成的人脸图像的质量上更优,有效提升了单阶段人脸超分辨率模型的性能。2、构建了多阶段渐进放大的人脸超分辨率网络。针对单阶段人脸超分辨率网络在处理大放大倍率人脸超分辨率问题上性能受限的问题,本文在单阶段模型的基础上,利用分阶段渐进思想,设计了多阶段网络结构,大幅度提升了在8倍放大倍率下的人脸超分辨率算法的性能。通过设计了一个对人脸边缘线的监督机制,进一步提升了多阶段网络的性能。同时引入了生成对抗网络的思想,使得生成的人脸图像更逼真。本文通过在公开大规模人脸数据集上对提出的算法进行实际数据测试,结果表明本文提出的算法能够有效的提升人脸超分辨率图像质量,同时重建的人脸图片能够有效提高人脸对比的准确性。本文通过引入人脸边缘线作为一种全新的人脸表示方法并且设计一套新的人脸超分辨率算法框架,进一步探索了人脸超分辨率算法的性能上界,并且能够有效提升人脸超分辨率算法在处理大放大倍率的人脸超分辨率问题的性能,使得人脸超分辨率网络能够更有效的处理低分辨率人脸图像。