超分辨率(Super Resolution,SR)重建技术是图像增强领域的重点研究技术,它可以在不改变硬件设备的情况下在低分辨率(Low Resolution,LR)图像的基础上生成有更多细节的高分辨(High Resolution,HR)图像,在很多对于数字图像或视频的分辨率要求较高的行业如医疗、安防刑侦、数字高清等应用广泛。本文即着眼于视频中的人脸细节,通过人脸超分辨率重构技术,从单张或一组从同一场景中获得的LR图像中生成带有清晰面部结构和精细细节的HR人脸图像,为很多真实场景应用如人脸识别提供更多的信息。本文首先介绍了超分辨率重建技术的基础理论,包括SR重建的理论观测模型、广义SR算法的分类、视频图像SR重建的基本环节和重建图像质量的评价方法。其次,对已有的人脸SR算法进行分析介绍,指出这些方法存在的问题。且基于此,本文提出新颖的混合人脸SR重建框架。该框架先从视频拍摄的各种姿态的人脸图像中选择出相对清晰、正面、光照较好的图像参与多帧人脸SR重建,可以有效地减小配准压力。然后构建基于典型相关分析(CCA)理论的权重矩阵来加权组合单帧SR算法和多帧SR算法对LR视频人脸序列重建的结果。具体的做法是利用CCA理论分析多帧方法结果中与原始场景人脸图像有更大相关性的图像块,作为保障重建人脸图像与原图像一致性的约束加入单帧方法的结果中,使得重建的HR人脸图像能同时保持全局面貌和个体细节。最后,本文在四个公开视频数据集上进行了大量实验验证提出的方法的性能。实验结果表明提出的方法在LR视频人脸图像序列重建中不论是在视觉感受上还是客观指标评价上都呈现出具有竞争性的性能。针对同一输入图像,使用本文方法重建图像的PSNR值相比先进的SR方法的增益最高可达0.67dB。为了展示提出的SR方法在视频人脸识别场景中的作用,进一步开展了基于SR技术的人脸识别实验。识别实验结果表明提出的人脸图像选择机制和混合SR方法能有效改善较低分辨率输入图像的识别精度,最高可以带来3.5%的识别准确率提升,在输入图像分辨率为24×24时也能带来1.1%的识别精度的提升。