随着深度学习技术的蓬勃发展,人脸识别技术已经走向了成熟,在日常生活中拥有非常多的使用场景。然而,现有的人脸识别模型主要对高分辨率的人脸进行训练与识别,当图像受到硬件设备、传输介质、运动模糊等条件的影响时,会导致人脸图像处于低分辨率的退化情况,识别成绩将大打折扣。本文使用人脸超分辨率算法解决上述问题,算法的核心是将退化的低分辨率人脸重构为高分辨率人脸,提高其识别率。近年来,基于深度学习的人脸超分辨率算法受到了一定的关注,已经实现了对较低分辨率人脸的初步重构。然而,目前的方法还存在以下缺陷:1、不使用人脸先验信息、或对人脸先验信息的利用效率低;2、重构过程中忽略身份信息的恢复,重构出的图像仍无法应用于人脸识别任务;3、多数采用简单的双三次下采样作为退化模型训练,导致模型在实际场景中的泛化性差。为了解决以上的三点缺陷,实现对低分辨率的人脸精准识别,本文的主要研究内容如下:（1）基于SRFBN网络改进的人脸超分辨率重构网络针对人脸先验信息利用率不高、重构图像缺乏身份信息的问题,本文在反馈超分辨率网络SRFBN的基础上,加入了新的结构和改进,得到本文的超分辨率网络模型IFPN。模型包含三个部分:超分辨率主网络,新加入的先验信息估计分支和注意力融合模块。主网络拥有迭代式结构,在每个迭代步骤中,主网络能利用前一迭代步骤估计的先验信息,重构出高质量的超分辨率图像,高质量图像又能促进下一个步骤中的更准确的先验信息估计,最终再通过注意力融合模块实现了有效整合。同时,引入了有助于身份信息恢复的损失函数。实验获得的重构人脸识别率以及PSNR、SSIM值表明,IFPN网络实现了对低分辨人脸图像的精准重构。（2）探究了实际场景下的人脸超分辨率算法针对以往方法中退化模型过于简单的问题,本文在实际的复杂退化条件对IFPN模型中进行了实验。随后,为了解决模型缺乏泛化性的根本问题,本文借鉴先前研究工作中提出的High-to-Low GAN的思想,进一步实现了一个能够对退化过程进行隐式建模的GAN网络Our-D GAN。随后,本文将Our-D GAN与IFPN网络进行结合,训练出新的*IFPN网络。最终,使用来自监控场景的人脸数据集对模型进行了评估。实验结果表明,Our-D GAN成功实现了复杂退化模型的隐式建模,提升了原有模型在现实场景的泛化性。