人脸识别是生物特征识别领域最重要的分支之一，它的发展经历了从人工到机器自动识别，从严格约束到复杂条件下的识别。如今，监控网络的覆盖范围越来越广，然而由于设备、技术、成本的制约以及远距离的原因，通常监控摄像机采集到的图像是低分辨率的。目前，大多数的鲁棒人脸识别研究针对的是姿态、光照、表情、遮挡等因素，而针对低分辨率图像的人脸识别，仍是一个较新的领域。近年来，一些研究人员已经关注到了低分辨率人脸识别这一问题，并且提出了一些优秀的低分辨率人脸识别算法。然而，至今还没有人对这些人脸识别算法进行过总结、综述。因此，本文首先将对已有的低分辨率人脸识别算法进行分类，并详细介绍每种方法的基本思想和优缺点。算法的分类是从解决特征空间不匹配的策略这一角度考虑的，分为基于超分辨率方法的低分辨率人脸识别方法，基于分辨率鲁棒特征表示的低分辨率人脸识别方法，和基于统一特征空间的低分辨率人脸识别方法。本文从统一特征空间思想出发，提出了一种姿态鲁棒的低分辨率人脸识别算法，充分利用了高低分辨率图像之间的关系。首先在训练阶段，寻找一个统一特征空间，将高分辨率参考图像特征和低分辨率测试图像特征同时地变换到这个空间，使得高低分辨率图像特征之间的距离，可以最大程度上近似于同样是高分辨率相同姿态时图像特征之间的距离，也就是最小化高低分辨率图像特征距离和高高分辨率图像特征距离之间的差异；然后在测试阶段，将高低分辨率图像特征同时投影在在这个统一特征空间，再进行匹配识别。该方法在CMU MultiPIE数据集上，不同姿态、光照、分辨率条件下，取得了最高为91%的正确识别率；同时，在有挑战性的MBGC/FRGC数据集上，在0.1的错误接受条件下，取得了高达49%的正确识别率。由于低分辨率图像上可供识别的细节信息很少，所以本文进一步引入基于稀疏表示的超分辨率方法，将低分辨率图像经超分辨率处理，增加识别信息，再用提出的统一特征空间方法进行识别，进一步提高了正确识别率。在CMU MultiPIE数据集上，存在一定姿态变化、高低分辨率比例为3时，本文提出的姿态鲁棒低分辨率人脸识别算法比基于超分辨率的方法，正确识别率提高10%左右，而结合在一起的方法，比原来的正确识别率提高了6%左右，高达89%。