随着多媒体信息技术的发展，视频及图像被广泛应用于社会生产和生活的各个方面，如城市安防、刑侦、视频监控等。在这些应用中，被监控人群处于非约束的状态。由于受到图像的采集设备、采集距离、光照环境、存储空间以及各种噪声的影响，这些应用中采集到的人脸图像往往是压缩失真的、低分辨率的低质量图像。这种低质量人脸图像大大降低了监控视频的效用。现有的研究已经分别针对导致图像质量下降的不同因素开展了相关研究。针对压缩图像量化失真问题，提出了图像去块效应技术;针对图像低分辨率问题提出了图像超分辨率重建技术。但是已有的研究工作通常对各种图像的降质因素进行独立的研究，而对多种因素降质图像的联合处理方法则讨论较少。因此，本文围绕压缩低分辨率人脸图像的超分辨率重建问题，开展了初步的研究。主要完成了以下几方面工作:　　首先，针对人脸图像去块效应问题，提出了一种面向压缩人脸图像的自适应去块效应方法。该算法首先根据人脸的结构特征建立人脸模型，将人脸分为重要器官区域及背景区域，对于不同压缩比及不同区域的图像块自适应参数三维块匹配滤波。实验结果表明，该算法可较为有效地去除压缩人脸图像中的块效应，同时可保留更多的图像细节信息。　　其次，针对人脸图像的超分辨率问题，提出了一种基于局部稀疏字典的人脸图像超分辨率重建方法。人脸图像区别于普通的自然图像，具有独特的几何对称性。提出的方法首先将归一化后的人脸图像按位置划分成不同的区域，样本图像中同一个位置的图像块训练一个位置字典，利用多个位置字典，对低分辨率人脸图像进行超分辨率重建。实验结果表明，提出算法在一定程度上提高了人脸图像的超分辨率重建效果。　　最后，针对低质量人脸图像中同时存在低分辨率和压缩失真问题，提出了一种基于稀疏表示的压缩人脸图像超分辨率重建方法。提出方法将人脸图像去压缩失真和超分辨率重建在稀疏表示的统一框架完成，尤其是依据人脸图像的五官位置信息将人脸图像块分为两类样本块，分别训练成稀疏字典对。然后，借鉴形态学成分分析的思想，利用K均值聚类将每个稀疏字典分成含块效应原子及不含块效应原子，以此将图像的高频信息分解为含块效应层及不含块效应层。最后将不含块效应层与图像低频信息相加，得到最终的高分辨率人脸图像，实现联合的去块效应和超分辨率重建方法。实验结果表明，提出算法的结果图像能够有效去除块效应，并在主观和客观质量上均有提高。