超分辨率算法是指通过对一幅或多幅低分辨率图像特征提取并重构，从而得到一幅清晰的高分辨率图像。通过超分辨率技术，在固有的硬件设备下，能够得到更好的图像效果，因而超分辨率技术在视频监控、医疗成像等领域得到广泛的应用。人脸的唯一性使得人脸识别成为生物特征识别的重要内容，为降低因硬件设备造成的图像不清晰对识别率的影响，应用于人脸识别的超分辨率技术成为超分辨率研究中的一个重要分支。本文针对低分辨率人脸图像，通过超分辨率技术，提高图像的分辨率，并用于人脸识别。主要内容如下：1.描述了人脸识别与超分辨率技术的研究背景及国内外研究现状；介绍了几种经典的人脸图像处理方法，并将其应用于提高人脸图像分辨率。2.典型相关分析（Canonical Correlation Analysis, CCA）是一种经典的向量之间相互依赖关系的多元数据处理方法。在CCA中，加入类别信息，得到监督的典型相关分析方法（Supervised Canonical CorrelationAnalysis, SCCA），降低对光照、姿态、表情等外因的敏感度，增强鲁棒性，更有效地实现人脸特征的提取。由于高分辨率人脸与低分辨率人脸有着相似的几何结构，特征提取后，通过关系学习能够建立低分辨率人脸图像与高分辨率人脸图像之间的映射关系。对于低分辨率人脸特征，通过映射关系，得到高分辨率人脸图像特征并用于人脸识别。3.为了提高局部保持投影（Locality Preserving Projections, LPP）在人脸图像超分辨率中的适用性，在LPP中加入CCA的算法思想，得到相关性增强的局部保持投影（Correlation Enhanced Locality Preserving Projections, CELPP）方法。将CELPP用于人脸图像的特征提取，继而利用关系学习或径向基函数（Radial Basis Function,RBF）来建立低分辨率图像与高分辨率图像之间的映射变换，并将得到的高分辨率人脸图像用于人脸识别。CELPP方法不仅具备流形学习的优点，而且保证在特征提取时，同一对高分辨率图像与低分辨率图像具有最大的相关性。