单幅人脸图像超分辨重建是提高人脸图像分辨率、增强视觉效果的关键技术,已经广泛地应用于公共安全、视频监控等各个领域。同时,相比多幅图像超分辨重建技术,单幅图像超分辨问题提供的信息量较少,难度更大。因此针对单幅低分辨率人脸影像的超分辨率技术的研究非常有必要。本文围绕基于样本学习的方法,从深度学习的角度,采取了两种不同架构的深度卷积神经网络,在回顾了经典的基于样本学习的图像超分辨的算法后,本文主要工作为:(1)提出了一种基于l1损失函数的深度残差网络学习的单幅人脸图像超分辨方法。该方法采取了端到端的无需批处理标准化层(BN)的深度残差网络,选择了基于l1范数的平均绝对误差函数(MAE)作为训练网络的目标损失函数。实验分析表明:“瘦身后”的深度残差网络相比于原先的基于l2范数的残差网络,能够更好地提升重构人脸的质量和恢复人脸的细节。(2)提出了一种重建型稠密连接网络(DenseNet)的单幅人脸图像超分辨方法。该方法也是一种端到端的网络结构,采用一种特征拼接的方式,每一个卷积层都直接连接上面所有的卷积层,这种架构增加了网络的宽度,加强了特征的传递,能够更加有效地利用了特征的信息。实验分析表明:该方法不仅在国际公开数据集上的超分辨效果上优于本文的其他方法,而且处理真实场景中的低质人脸图像的能力也是较好的。