随着高清影像技术的普及,以往的图像采集设备所输出的低分辨率影像内容越来越难满足当今人们生活的需要,同时一些专业领域也对影像材料的分辨率有着较高的要求,比如人脸识别、刑事侦查和医学诊断等等。而人脸作为影像中经常被关注的敏感区域,对低分辨率影像的人脸超分辨率技术就变得至关重要。面对这一需求,本文从图像超分辨率重建的角度,对人脸图像的超分辨率技术进行了深入研究,对已有算法进行了研究和改进,并且针对该技术在实际环境中的应用进行了初步探索,具体研究内容如下:首先,研究并改进了基于权重稀疏表示的人脸超分辨率重建算法。该方法存在的不足是在不同噪声环境下所对应的最优正则化参数值会不断改变,而对该参数的调试过程耗时且低效。因此通过在重建之前加入一个能够依据最大后验概率准则自动对噪声方差和尺度参数进行估计的预重建过程,从而计算得到适合输入图像环境的正则化参数值,最后通过实验表明了该自动估计正则化参数的算法具备充分的可行性和有效性。第二,提出了基于相似性选择与约束的人脸超分辨率重建算法以应对可能出现的不同强度噪声。由于已有的重建方法在噪声环境下的效果并不理想,所以采用了用相似性代替稀疏性的思路。该算法框架由两部分组成,第一部分是基于全局相似性的人脸选择算法,并使用基于2D-PCA的人脸选择算法进行实验,表明其能够在大幅度缩减人脸库数量的同时充分保证重建效果;第二部分为基于局部相似性约束的人脸超分辨率重建算法,通过对邻居图像块的计算和并行化的算法结构,达到了在一定程度上抵抗噪声的能力。第三,引入了机器学习方法来解决以上所述算法在处理真实场景中的人脸时恢复能力有限的问题。在研究了两步人脸重建算法的基础上,将机器学习理论引入人脸超分辨率重建中,提出了基于极限学习机的重建方法,并在真实监控的环境下进行重建实验,表明了该算法在与其他对比算法相比时得到了更强的细节恢复能力。最后,本文对该技术在实际环境中的应用进行了初步探索。确定了人脸标定和提取标准,研究了泊松图像编辑方法,在此之上提出了一套人脸修复方案,并从真实街道监控录像中随机截取了部分行人进行实验,达到了良好的修复效果。