随着模式识别和计算机视觉领域技术的发展，对于人脸图像的研究逐渐成为一个热点问题，但出于人脸图像采集过程中采集设备和采集环境等条件的限制，采集到的图像会受到形变，模糊和噪声因素的干扰，直接影响图像的分辨率。但是在很多模式识别算法中，如人脸身份识别和人脸表情识别等，图像分辨率过低会导致算法性能的下降。通过提高采集设备的性能来提高采集图像的分辨率代价过大而且难以实现，所以通过信号处理的方法对低分辨率图像进行超分辨率重建是一种提高图像分辨率的有效途径。本文对人脸图像的超分辨率重建问题进行了研究，主要工作可以概括如下：　　 1、提出对低分辨率特征脸图像进行超分辨率重建，即特征脸超分辨的概念。通过将低分辨率特征脸图像投影于低分辨率训练人脸图像集中，建立线性模型关系得到低分辨率特征脸的超分辨率重建结果。一般的人脸图像超分辨率重建算法框架考虑的是对高分辨率人脸图像在高分辨率特征脸空间的投影向量进行重建，而本文提出对输入图像的投影空间基向量进行超分辨率重建。　　 2、将基于图像分解线性模型的超分辨率重建算法进一步推广，提出一种新的基于特征脸超分辨线性模型的人脸图像超分辨率重建算法，基于图像分解线性模型的超分辨率重建算法是其中一种特殊情况。在基于图像分解模型线性模型的算法中，噪声同样被当作有效信号投影到特征脸空间中，但是考虑到高斯白噪声在空间各个维上均匀分布的性质，在使用主成分分析方法对输入图像进行降维后，通过适当选择特征脸空间投影基的个数，可以在降维的同时保留图像的绝大部分有效信号并且分离绝大部分噪声信号，提高待重建信号的信噪比，有效提高算法对噪声的鲁棒性。　　 3、提出一种新的基于混合模型的人脸图像超分辨率重建算法。基于单一模型的算法都有其局限性，而在基于混合模型的人脸图像超分辨率重建的算法中，首先通过线性模型对包含绝大部分有效信息信噪比很高的主成分信号部分进行超分辨率重建，其余的以噪声为主的非主成分信号部分，通过概率模型对其进行重建作为主成分部分重建的一个修正，通过非主成分部分的修正可以在充分利用有效信号的同时大大降低降维所带来的误差。基于混合模型的算法综合了线性模型和概率模型的优点，不但提高了算法对噪声的鲁棒性并且保证了对图像高频细节信息的恢复能力和对输入图像有效信号进行重建的完整性，同时减小了由空间降维带来的重建误差。　　 通过实验证明，在本文中所提出的各种人脸图像超分辨率重建算法均达到了理论所预期的效果。