在实际监控视频系统中,由于人物目标距离摄像头较远并且设备本身的局限性,导致获取的人脸图像分辨率低,难以辨识。因此,如何增强所获取人脸图像的分辨率和质量、提升人脸图像清晰度和辨识价值成为当下急需解决的问题。人脸图像超分辨率技术是指将输入的单帧或多帧的低分辨人脸图像重建出高分辨率人脸图像。该技术被广泛的应用在视频监控、人脸识别甚至是娱乐软件中。近年来,受益于机器学习理论和应用的快速发展,基于学习的人脸超分辨重建算法成为人脸超分辨率算法研究的主流方向,其基本思想是学习低分辨率图像与高分辨率图像的映射关系。本文围绕着人脸图像结构的非局部相似性、图像块的结构特征开展基于深度协作表达的人脸超分辨率研究,主要研究成果如下:(1)基于深度协作表达的人脸超分辨率重建算法,该算法将传统单层协作表达扩展成为深度协作表达,逐层更新表达系数和对应的高低分辨率字典对,构造深度线性函数拟合复杂高低分辨率关系模型。该算法在特征域学习字典对,并逐层更新表达字典对,提升高低分辨率表达系数的流形一致性,进而提升人脸图像的超分辨率重建性能。实验结果表明,所提出的算法在FEI人脸库上在主观和客观评价性能上均超过前沿的人脸超分辨算法。(2)基于自适应加权协作表达的人脸超分辨重建算法,针对图像一般各个区域的纹理特征都会存在差异,所提出的算法引入自适应矩阵和权重矩阵,自适应地调节优化函数中重建误差项和表达系数之间的比例关系和进行权重优化,能够更好重建出目标高分辨率图像。实验结果表明,所提出的算法在CAS-PEAL-R1和LFW人脸库上在主观和客观评价性能上均超过前沿的人脸超分辨算法。综上所述,本文在深入研究基于学习的图像超分辨率算法的基础上,采用了两种新的人脸图像超分辨率算法,有效的克服了现有的传统算法存在的缺点与不足,获得了更加清晰的高分辨率人脸图像,提高了重建图像的质量。