随着时代的发展和科技的进步,越来越多的商业、民用及法律相关的程序都需要验证个人身份。例如,支付宝的人脸登陆功能,手机的人脸解锁功能和警察执法时使用的身份证人脸比对系统,都需要使用人脸识别比对技术。这样的技术需求导致人脸识别技术在过去的几十年时间里得到了许多研究者地关注,同时人脸识别技术也得到了飞速地发展。但在一些特殊场合,例如,社区监控、车站监控、街道监控等真实场景下,采集的人脸图像受摄像设备清晰度、安装位置、角度、光线等因素影响,导致采集的人脸图像分辨率较低,不易识别。在上述几种场合下,采集到的人脸图像包含人脸特征信息少,人脸特征难以提取,导致人脸识别任务难以进行。于是,本文重点研究了如何将低分辨率图像重建为高分辨率的问题,并在此基础上设计低分辨率场景下的人脸识别系统,主要工作如下:1)针对低分辨率场景下的人脸识别的需求,对整个系统的功能模块和系统总体架构进行了设计,主要的功能模块包括视频显示、人脸检测、人脸图像超分辨率重建、人脸识别、人脸信息管理等模块,人脸信息管理模块主要用于管理员对人脸信息数据库地维护,而系统界面主要用于人脸识别及身份信息输出等功能,并对人脸识别系统业务流程做了详细描述。并且通过设计界面,使所有模块功能都能很快地被用户接受,并且能实时展示检测、重建、识别结果和运行的实际效果;2)研究了低分辨率场景下人脸图像不易识别的核心问题,并介绍了解决这个问题的方法,即超分辨率重建。改进基于生成对抗网络的超分辨率重建方法,依据现有网络结构改进方法对其结构进行了改进,使得网络结构轻量化,参数更少,利于训练;在针对人脸突出特征信息方面,将眼、口、鼻等细节特征进行专项地重建加强,提出了增强人脸细节特征超分辨率重建方法,以增强人脸突出特征的细节表达,更加利于低分辨率场景下的人脸识别任务地开展;利用现有人脸数据库CeleA及CASIA-WebFace的数据资源,对其进行下采样的预处理,用于网络地训练,最后,同时进行了对比试验,验证了其有效性;3)对于人脸特征提取的算法模型,基于对残差神经网络(ResNet)的研究,在ResNet的基础上构建了适用于实际使用的网络结构ResNet-34,并配合损失函数CenterLoss对所构建网络进行训练,并在数据集LFW上进行测试,取得了较好的识别率。故使用ResNet-34完成人脸特征向量的提取任务,并经过实验测试,特征提取网络在人脸识别测试任务中达到了较好的准确率;4)对本文所设计的人脸识别系统进行了测试,能够很好地完成低分辨率场景下的人脸识别任务,能够投入到实际的使用过程中,有效地改善了低分辨率场景下人脸识别困难的问题。