随着计算机视觉的飞速发展,生物识别技术领域也越来越受到学者们的广泛关注。如何能够高效、精准的识别生物身份是近年来的一个难点,人脸识别相比指纹、虹膜等传统的生物识别技术,具有非接触,易采集等优点,目前已经应用于交通、医疗、金融等行业和领域。为了更有效的将人脸识别技术应用于非限制环境下,本文针对人脸识别中的训练样本单一和分辨率低的问题进行研究。针对低分辨率人脸图像细节信息、丢失严重的问题,本文采用深度学习提取人脸图像特征。通常用于人脸识别的典型网络结构有FaceNet、DeepID、VGG等,由于低分辨率人脸图像与高分辨率人脸图像特征的不对应,本文采用低分辨率图像经数据清洗后训练模型,使其所提人脸特征具有对不同姿态、局部遮挡等的鲁棒性之外,也具有不同人脸的特征差异性。由于大量样本通过深层网络的学习,抽取全链接层作为特征描述子具有更本质和鲁棒的图像特征,因此能够有效的提高低分辨率图像后续的识别效果。针对单样本的问题,由于注册库的样本数量有限,每一个目标人脸仅含有一幅图像不能利用监督学习的方式进行训练,对此,本文提出了基于单样本的低分辨率人脸识别算法。首先将目标图像和待测图像利用深度学习提取人脸图像特征,分别采用了两种方法进行注册样本的扩充。相似性度量方法是根据同一目标对象的高低分辨率图像特征比个不同目标对象相似度大的原理,通过非目标样本统计获得的判断阈值,将相似度落在置信度范围内的样本扩充为目标注册样本;图像变换方法,则是通过对人脸图像的平移、轻微旋转,以及局部少量随机遮挡等方式,将其生成的样本扩充为目标的注册样本。在此基础上,采用机器学习的方法构建分类器,完成单样本的人脸识别。