随着现代社会对人脸识别任务的需求飞速增长,视频监视系统也越来越多的被应用于安全和取证领域。因此,在一些复杂的不受约束的场景中,比如人流十分拥挤的市区街道,通常需要对摄像头抓拍到的一些行人的人脸进行人脸识别。但在大多数情况下,这些抓拍到的人脸存在其他因素对人脸识别任务的干扰,比如光照强度的变化以及摄像头所处位置的角度不同会导致人脸识别模型提取出来的特征差别较大,这些因素无疑会对人脸识别任务的准确度造成影响。此外,由于被关注的对象和摄像头之间的距离过大导致人脸分辨率过低的情况也十分普遍,需要从低分辨率人脸图像中提取出来的特征与高分辨率人脸库的特征进行匹配。由于这些低分辨率人脸具有信息量少、噪声多的特点,如何匹配不同分辨率的人脸图像将是一项实际但具有挑战性的任务。对于低分辨率人脸识别任务,我们从两个方面入手,对现有人脸识别方法进行改进,并取得了更好的识别效果,本文的主要研究内容和创新思想如下:（1）针对基于嵌入的低分辨率人脸识别问题,提出了基于嵌入的渐进部分耦合的低分辨率人脸识别网络。对于网络模型的设计,我们采用了渐进耦合策略,来探究耦合不同深度的卷积层对实验结果产生的影响。由于高分辨率分支网络和低分辨率分支网络在前向传播的过程中,生成的特征随着网络深度的增加越来越相似,因此我们从后到前渐进地对网络中不同的块进行参数耦合,来找到最优的耦合选择。通过这个策略,可以明显提升Sphere Face模型在低分辨率人脸图像上的识别性能。与前沿方法相比,我们提出的方法在LFW数据集上,以14×12和7×6像素的低分辨率人脸图像作为输入时的性能分别提升了7.34%和21.30%。（2）针对基于超分辨率重建的低分辨率人脸识别问题,提出了一种基于空间注意力的低分辨率人脸识别方法。通过引入空间注意力机制,使得超分辨率子网络重构的人脸图像能够突出对人脸识别有益的部分特征,并且设计了一个自适应模块学习从超分辨率重构特征到高分辨率特征的映射,减轻域偏移对实验结果的影响。与当前基于超分辨率重建的方法SRLRFR相比,我们的方案能够取得更好的效果。在LFW数据集上,以28×24、14×12和7×6像素的低分辨率人脸图像作为输入时的性能分别提升了0.35%、3.48%和2.73%。