随着视频监控技术的发展完善,众多的视频监控应用迫切的需要一种非约束、远距离下的高效人脸识别技术。对于学校、车站、街道、商场等真实场景下,采集的人脸图像受距离、光照、角度、表情姿态等原因成像质量较差,分辨率较低,识别起来具有一定的困难。复杂场景下采集到的人脸图像,大多数包含的特征较少或是特征难以提取,本文运用深度学习的方法重点研究了低分辨率人脸识别问题,主要工作如下。在人脸检测方面,本文使用了基于Haar特征的级联分类器方法,该方法运用AdaBoost算法,能够实现快速人脸检测,提取出定位到的人脸,进行人脸数据集的采集。图像处理方面,首先对数据集进行了扩充,主要介绍了几种常用的数据扩充方式,接着对数据集进行了图像的预处理,预处理的过程中主要使用了几何归一化、图像灰度化、高斯滤波算法以及直方图均衡化方法。提出了一种改进的图像超分辨率重建方法,该方法基于卷积神经网络,对比原网络具有更多的非线性性和更少的参数。网络由四层卷积层组成,第一层用于图像特征提取,第二层用于特征非线性映射,最后两层完成图像重建工作,通过训练样本集自主完成重建工作,最后将该方法和传统的低分辨率重建方法进行了对比。提出了一种基于卷积神经网络的人脸识别方法。网络结构共有六层,得益于网络的局部感知和参数共享机制技术,图像可以直接输入到网络中,轻松处理高维数据,无需人工提取特征,避免了传统人脸识别方法中特征提取及数据重建等带来的繁琐过程,且经过实验表明,识别性能优于传统识别方法。最后本文设计了一套由图像超分辨率重建、人脸定位、图像预处理、人脸识别等模块组成的低分辨率人脸识别解决方案,并将其成功应用在了身份识别系统上,有效的改善了低分辨率人脸识别困难问题。