近些年,深度学习技术极大地推动了人脸识别领域的技术革新,各个公开数据集上的识别率已经取得了很大突破。然而在实际应用中,某些自然场景下,由于受到低分辨率,不均衡光照等问题的影响,人脸识别效果并不理想。同时,目前的人脸识别技术绝大部分应用在视频上,却只使用视频中的单帧数据进行识别,造成了很多信息的浪费。综上,本文提出一种基于帧序列的人脸识别技术,它可以融合不同帧以及同一帧的不同块的特征,实现多特征融合。具体内容如下:1.针对图像分辨率提升问题,本文提出一种新的插值对抗网络SRIGAN。根据提出的不同插值方法,将SRIGAN分为两种网络:自插值对抗网络SRSIGAN和通道插值对抗网络SRCIGAN。实验中,首先分析了不同的残差块数目和激活函数对两种网络的影响。然后从训练集上的收敛速度和分辨率提升效果两个方面展开对比实验。结果显示两类模型都能在保持较好的分辨率提升效果的同时,实现更快的收敛速度。2.针对人脸多特征融合问题,本文提出了三种基于注意力机制的特征融合模型BA-FA,FA-FA以及BA-FA-FA,实现了帧块特征与帧特征分层融合。通过实验调节出合适的参数后,展开进一步实验,结果显示无论是普通的特征提取网络,还是先进的特征提取网络,结合本文的三种特征融合模型后,都可以有效提高最终特征的鉴别能力。在结合模型VGG-19-128的测试中显示,三种特征融合模型AUC值平均提高7.62%,最高提高了10.06%。3.针对低分辨率下的人脸验证问题,结合前文的分辨率提升网络和特征融合模型,本文提出BF-GFN,FF-GFN和BFF-GFN三种网络。在本文提供的低分辨率监控人脸数据集上测试,取得了比主流方法更好的效果。最后,在本文工作的基础上实现了人脸验证系统。并从实际出发,证实了本文模型的可行性。