人脸图像分析是计算机视觉领域的主流研究课题。但是,受光照条件、目标运动、距离及传感器本身的制约,往往只能采集到低分辨率的图像,由于缺少人脸细节信息,很难开展进一步的人脸分析。人脸超分辨率重建技术通过提取并利用低分辨率的人脸图像中的信息重建出高分辨率的人脸图像,能够有效提升低分辨率人脸图像的应用价值。但是,现有的人脸图像超分辨率模型一般都采用人工下采样的方式获得低分辨率图像,无法构造超分辨率模型有效的训练样本集。实际测试中,往往由于降质退化过程中模糊核分布的差异,真实场景中人脸超分辨模型性能下滑严重。本文从人脸图像的降质退化过程出发,提出了一种基于深度学习的两阶段人脸超分辨率重建网络,首先通过生成对抗网络学习真实人脸图像的降质退化过程,然后构建有效的训练样本集并送入超分辨率生成对抗网络中恢复出高分辨率人脸图像,可以有效改善重建的人脸图像的质量。本文提出的人脸超分辨率网络由两个对抗子网络组成。一是人脸模拟退化子网络,利用高分辨率人脸图像和真实的低分辨率人脸图像训练一个退化变换网络,并模拟真实场景中的人脸图像降质退化过程以生成更加真实的低分辨率人脸图像。本文提出的退化变换对抗子网络同时考虑了模糊核、噪声及人脸关键点热图信息,以保持高、低分辨率人脸图像几何结构的一致性,并使用了稠密连接结构加强网络中的特征复用。二是人脸超分辨重建子网络,人脸模拟退化子网络生成的低分辨率人脸图像和对应的高分辨率人脸图像通过超分辨重建对抗子网络重建出最终的超分辨率人脸图像。重建网络利用了带有注意力组件的残差模块,进一步提升人脸图像的超分辨率重建质量。本文的网络模型在来自于合成数据集LS3D-W的SFLRS数据集上和来自于真实数据集Widerface的RFLRS数据集上与其他方法采用定性和定量实验对比。定量实验:本文模型在SFLRS数据集上达到了21.68的PSNR精确度,RFLRS数据集上达到了12.53的FID精确度。定性实验:本文模型恢复出了更多的人脸细节,视觉效果更加清晰真实,进一步说明对于真实场景中的数据集,本模型性能依旧良好。此外,消融性研究也证实了所提出组件的有效性。