人脸超分辨率技术是指将低分辨率的人脸图像经过一定的技术处理来获得高分辨率的人脸图像,其在很多方面得到了广泛的应用,如:人脸图像的传输、人工智能、刑侦案件中人脸图像的处理等。由于实际应用中大部分是针对单张人脸图像进行合成,因此相对于传统的基于多帧重建的人脸超分辨率方法,目前利用人脸图像的先验信息去合成高分辨率人脸图像的人脸超分辨率方法即基于学习的人脸超分辨率方法正是研究的热点,因而本人针对该方法做了以下研究工作:首先,提出了基于核局部约束自适应迭代的近邻嵌入算法(KLAINE)。该算法考虑到在人脸图像合成的迭代过程中,每次的最佳近邻值是变化的,因此提出在高分辨率训练样本中自适应选择近邻的策略,然后将待合成的低分辨率人脸图像和搜索到的K近邻低分辨率训练样本映射到高维空间,以达到非线性特征的合成,最后对整个低分辨率训练样本利用KLAINE算法进行更新,再次去合成新的高分辨率人脸图像,几次之后便得到最终的高分辨率人脸图像。接下来,提出基于核范数的局部约束迭代矩阵回归算法(NLCIMR)。由于之前方法中都是将人脸图像矩阵转换成矢量进行计算,这样破坏了图像块的本质结构,该算法直接利用图像块矩阵参与合成,另外,核范数约束重构误差更能准确表述出误差矩阵的分布,并且合成过程中迭代思想的引入从而进一步提高了算法的鲁棒性。最后,提出基于双核范数正则的多姿态算法(DNRMP)。针对实际应用环境中获取的人脸图像往往是多姿态的这一问题,该算法将人脸图像先利用正交普洛克问题进行矫正,增强其对多姿态人脸图像合成的鲁棒性,另外为了增强算法对噪音合成的抵抗能力,引入了合成人脸图像矩阵的低秩约束项。以上提出的三种算法中,前两种算法都在FEI人脸数据库及实际环境人脸数据库上进行了实验验证,最后一种算法在FERET人脸数据库上进行了验证,这三种算法相对于其对比算法都表现出了一定的优越性及有效性。