在非受控环境下得到的人脸图像受外界因素的影响,经常存在尺寸小和模糊不清等问题,这对公安机关侦破案件是很大的阻碍,人脸图像超分辨算法可以提高人脸图像分辨率,增强视觉效果,在公共安全领域具有很高的实际应用价值。深度学习算法日渐成熟,在处理图像问题上具有很大优势,为了提高人脸图像质量。本文主要将改进的生成对抗网络应用于人脸图像超分辨算法,在对原始生成对抗网络的基本原理和存在的问题进行分析后,提出了两种基于改进的生成对抗网络的人脸图像超分辨算法。本文的主要工作如下:(1)对生成对抗网络的原理进行了分析,指出原始的生成对抗网络存在的梯度消失和训练不稳定等各种问题,并通过实验证明了其改进算法的有效性。同时还对一些新颖的卷积神经网络模块进行了研究和分析,本文基于这几个网络对生成对抗网络进行改进。(2)提出一种基于谱归一化生成对抗网络的人脸图像超分辨算法。该方法首先对生成器网络进行改进。提出使用不含批处理标准化层(BN)的密集网络(DenseNet)作为生成器网络核心,这一网络可以有效的避免梯度消失问题,并且能够实现特征复用,有利于生成质量更高的重建图像。在判别器中,本文使用了谱归一化对判别器进行改进。谱归一化实施简便,能够有效的使网络训练变得更加稳定。在损失函数设计方面,引入了铰链损失函数。通过实验对本文所提的算法与使用其他生成对抗网络的算法进行对比,验证了本文所提出算法的优越性。(3)提出一种基于RaGAN的人脸图像超分辨算法。在生成器设计上,使用了 Res2Net模块,这一模块可以在多个尺度上表示特征并且使每个网络层的感受野都变得更大,激活函数采用了更加先进的Mish激活函数。在判别器设计上,本文使用RaGAN进行改进。与原始GAN中判别器直接估计输入图像是真实图像的概率不同,RaGAN估计给定真实数据比生成数据相对真实的概率。在损失函数方面,像素损失使用了l1损失函数,该损失函数比l2损失函数收敛更快;对于感知损失函数,本文选择使用激活层之前的特征。与其他超分辨算法的实验结果进行对比,从客观指标和视觉效果上对算法的优越性进行了验证。