随着大数据与人工智能的发展,身份验证方式也逐渐发生变革。钥匙、指纹等传统的解锁方式正逐渐被人脸识别、声纹识别、步态识别等更为智能的方式所取代。在诸多新兴的识别方式中,人脸识别方法目前取得的效果最令人满意,已经在日常生活的许多场景中有所应用。在如今这样的数字化智能时代,将人脸识别技术应用于广泛部署的智能监控设备中,已经成为保障社会安全的需要。然而,在许多场景中拍摄到的人脸并不理想,会因为拍摄距离、天气、拍摄目标移动等原因造成人脸过小或清晰度较低。但目前的人脸识别方法主要针对高分辨率人脸,对于公共场所监控所拍摄的通常较小的人脸,主流人脸识别模型的识别效果并不理想,解决这个问题最直观的方法便是对待识别的人脸进行超分辨率重建。和其他计算机视觉任务类似,基于深度学习的方法近几年在人脸超分辨率重建领域不断取得突破。但目前的研究普遍只针对于重建结果的视觉效果,而并没有关注重建人脸的识别准确率,使得人脸超分辨率重建领域很多研究成果的应用价值十分有限。针对上述的实际需求以及目前存在的问题,本文研究通过超分辨率重建的方法,解决低分辨率人脸识别这一实际问题。结合近几年相关领域的一些模型及思想,本文提出了两个模型,并搭建了一套将模型应用于实际的身份验证系统,其主要内容如下:1.本文提出了一种基于参考图片的人脸超分辨率重建模型。该模型根据人脸数据集独有的特点,将基于参考的重建方法应用于人脸任务,并设计了一套参考图片选取流程。相比于以往的算法,我们的模型在视觉效果以及重建结果的识别准确率上都具有一定优势。2.本文提出了一种基于身份信息的人脸超分辨率重建模型。该模型结合了人脸识别、风格迁移、超分辨率重建等多个领域的思想,将身份信息融合到人脸图像重建的过程中,训练得到的模型能够在重建出更高分辨率人脸的同时保持原有的身份信息。相比于以往的方法,我们的模型在低分辨率人脸识别上具有显著优势。3.基于前面的工作,我们搭建了一套身份验证系统,以体现我们提出的模型具有实际应用价值。系统的人脸识别模块集成了前沿的人脸识别算法,同时将我们提出的重建模型加入到系统中作为识别流程中一个可选的模块。使得人脸识别模块能够对不同分辨率的人脸输入普遍保持较高的识别准确率,具有实际应用价值。相关实验表明,本文的研究成果能够有效提高低分辨率人脸识别的准确率。按照本文的研究路线,还可以在该领域进行更多的研究工作。