随着人们对图像质量要求的不断提高，图像处理技术已经成为时下热门的研究领域之一。图像超分辨率重建(super-resolution)是指一种由一幅或多幅低分辨率图像经过图像退化序列，重建出一幅或多幅高分辨率图像的过程。高分辨率图像是单位像素上所代表的现实中景物面积较小，反映图像细节较多，能够提供较丰富的信息。通过信号估计理论，不仅很好的解决了传感器阵列密度限制问题，同时对光学系统成像中的退化问题也有较好的处理。目前，超分辨率重建技术已经被广泛应用于军事侦查、医学成像、公共安全领域。本文重要通过三部分内容提出并研究了基于感兴趣区域和稀疏表示的人脸超分辨率重建：首先，通过对人脸感兴趣区域特征提取的研究，分析了三种经典的人脸感兴趣区域算法对低分辨率人脸图像特征提取的准确率，经过实验得出主动表观模型（AAM）算法在分辨率为的低分辨率人脸图像的识别准确率要远优于其他算法。然后，通过对基于稀疏表示的超分辨率重建的研究，阐述了稀疏表示的基础理论、稀疏编码的算法优化、更新字典的算法设计；并且通过对联合超分辨率学习字典构建，使用稀疏表示的方法对低分辨率图像进行了超分辨率重建，从而得到高分辨率图像。同时比较了Bicubic插值法与本文算法的峰值信噪比的差距，对重建算法进行了实验研究，研究结果表明字典大小和样本个数的多少都直接影响了超分辨率重建之后的结果。最后，提出了一种基于感兴趣区域的和稀疏表示的人脸超分辨率重建算法过程，同时还提出了一种优化高分辨率字典的方法，该方法使得高分辨率字典充分体现了低分辨率图像的特征表现，可以更加有效、准确的进行字典对匹配。同时通过实验验证了，较为针对训练学习字典可以改善重建图像质量，使人脸图像感兴趣区域的部分更加突出，更易识别辨认。