近年来,基于深度学习的人脸识别算法在安防、支付、门禁等领域得到了越来越广泛的应用。在高分辨率人脸识别任务中,深度学习模型已经实现了极高的识别率并且拥有较高的算法稳定性,然而在楼宇安防、罪犯抓捕、走失儿童识别等场景下,所拍摄到的人脸图像往往分辨率较低,进而导致算法识别率降低。围绕此类低分辨率人脸与高分辨率人脸配对识别的问题,近年来涌现了大量的超分辨率与低分辨率人脸识别模型,然而此类模型仍然存在着超分辨率精度不高、识别率不高等问题。针对这些问题,本文基于生成对抗网络,对人脸超分辨率、低分辨率人脸识别算法展开了研究,主要研究成果如下:(1)提出了一种基于生成对抗网络的超分辨率算法。所提算法包含了粗精度超分辨率网络、精细编码器、先验特征估计器、精细解码器和判别器。在判别器中,本文引入了Patch GAN结构、多尺度判别器结构。在损失函数的设计中,本文引入了多层对抗损失函数,同时引入了VGG-16模型对身份特征进行提取,并引入了多层感知损失,对于像素损失,本文使用了MAE损失取代了传统的MSE损失。通过定性和定量实验,最终验证了所提算法在人脸超分辨率任务中的有效性和可行性。(2)针对非监控场景,提出了一种基于超分辨率的低分辨率人脸识别算法。所提算法分为超分辨率网络和人脸识别网络。本文选用了Arcface人脸识别模型作为预训练模型。提出了一种基于图割的数据筛选算法,从VGGFace2数据集中筛选出高质量图片并进行超分辨率,将所得超分辨率图像扩充到VGGFace2数据集中得到训练集,并对预训练模型进行微调,使模型能够将超分辨率图像和高分辨率图像映射到具有身份一致性的特征空间。经实验证明,所提算法能够在非监控场景下的低分辨率人脸识别任务中取得较高识别率。(3)针对监控场景,提出了一种改进的超分辨率网络。由于在监控场景下拍摄得到的低分辨率照片在拍摄角度、光照、分辨率具有更为广泛的分布,本文提出了改进的超分辨率网络,引入带跳跃连接层的自动编码器结构UNET,使其能够充分挖掘图像在多个尺度上的信息。通过实验验证了改进后的超分辨网络能够对监控环境下拍摄的人脸图像进行良好的还原,且能够在监控环境下的人脸识别任务中取得较高识别精度。