人脸超分辨率技术是一种从低分辨率人脸图像获得高分辨率人脸图像的技术。它的应用前景广泛，包括：视频监控、人脸检测与识别、图像恢复、人脸面部表情分析、低带宽的视频会议传输，等等。人脸超分辨率技术目前已经成为图像处理领域中新兴的研究热点之一。 本文首先对人脸超分辨率技术作了详细的综述，对现有的算法进行了科学分类。然后针对现有算法的一些缺点，提出了一种基于核主成分分析(KPCA)的人脸超分辨率算法。跟线性方法相比，KPCA是一种非线性算法，能够学习出数据的线性和非线性特征，所以重构的图像更接近原图。 本文算法的主要思想为：通过理论分析和实验，建立了低分辨率特征空间和高分辨率特征空间之间的关系，利用这种关系学习出与输入低分辨率人脸图像所对应的高分辨率人脸图像在高分辨率特征空间的象到高分辨率核主成分子空间的投影。为了得到最终的高分辨率人脸图像，本文采用了Mika等的迭代原象学习算法从特征空间中获得高分辨率原象。针对全局人脸图像过于平滑、缺少细节信息的现象，本文还使用了基于邻域重建的残差补偿方法对全局图像进行残差补偿。实验表明，跟Wang的特征变换人脸超分辨率算法及Zhuang的局部保持人脸超分辨率算法相比，本文算法重构的人脸图像具有更低的均方误差(MSE)和更好的视觉效果，且对噪声、表情、眼睛等具有较好的鲁棒性。