深度学习的发展推动着人脸识别技术应用的发展,不同的场景往往存在着不同的问题。在视频监控人脸识别过程中,由于摄像机本身像素分辨率低,或人脸与摄像机距离远导致检测人脸的像素分辨率低等原因,限制了人脸识别的识别效果。同时,以LFW为例的国外人脸数据集,在训练模型时存在识别偏差的问题,对欧美面孔识别准确度高,而识别非欧美面孔时准确度会有所下降。本文将以校园卡口的人脸识别为例,对人脸识别进行研究与应用。针对低分辨率的人脸图像问题,本文利用超分辨率重建算法将低分辨率图像重建为高分辨率图像,选择基于生成对抗网络的重建算法提高重建后的图像真实效果。同时对于重建算法在重建过程中容易丢失图像信息的问题,引入拉普拉斯金字塔到神经网络模型的每一层中,补充图像从低分辨率到高分辨率的高频信息,从而获得更好的重建效果。同时为了优化网络结构,改进超分损失函数,提高模型对异常值的鲁棒性。针对国外人脸数据集训练的模型存在的人脸识别偏差的问题,本文将构建自定义的人脸数据集,采集并处理人脸图像,合理调整数据集中不同人种的数量比例,提高训练模型对本地人脸的识别准确率。最后实现基于改进重建算法的人脸识别模型,分析改进因素对模型的影响。经过实验表明,利用改进的重建算法重建的图像效果在主观评价和客观评价上要好于其他重建算法,同时基于改进重建算法的模型识别准确率也提高1%左右。并且利用自定义的人脸数据集训练的模型人脸识别准确率比其他国外的人脸数据集高0.9%左右。