视频监控在维护社会治安、打击违法犯罪上具有突出贡献,刑侦人员能通过视频监控及时获取犯罪嫌疑人的人脸信息。但是在实际场景中,由于摄像头自身的分辨率有限,并且受到环境和器材噪声的干扰,获取的人脸图像尺寸太小、质量较差,难以提供有效信息。图像超分辨率技术是有效解决此类问题的方案之一,它能对观察到的低分辨率图像进行超分辨率重建,达到提升图像分辨率、增强图像信息的目的。近年来,很多相应算法被提出并取得不错的进展,但是即使是最新的深度学习方法也存在一些缺陷。一方面,这些算法在网络连接上比较稀疏,图像信息只在相邻特征层内传递,影响了网络的重建能力;另一方面,现有算法忽视了人脸在不同区域映射关系上的差异,单一的网络在重建的时候难以兼顾所有区域。以上两个问题导致最终的重建图像的人脸轮廓模糊,尤其在局部区域存在严重的细节缺失。为了提升人脸超分辨率算法的重建效果,本文先是针对现有算法在网络连接比较稀疏这一问题,提出一种多级密集连接的残差学习网络框架,增强不同特征层间的关联性和引入残差学习策略,来提升重建人脸图像的整体质量。然后,针对人脸在不同区域映射关系存在差异的问题,本文受到自适应算法和权重思想的启发,提出通过权重学习策略来引导人脸超分辨率算法的重建工作,通过权重学习分支将人脸的不同区域按照映射关系的不一致性有效区分,并送至不同的生成分支进行图像超分辨率处理,进一步提升网络的重建效果。最后,考虑到像素损失约束会导致重建图像相对模糊,本文增加一个生成对抗网络以进一步约束重建图像与真实图像间的数据分布,提升重建图像的逼真度,改善重建图像的主观效果。实验表明,本文提出的基于密集连接和权重学习人脸超分辨率算法与现有最好算法相比,重建图像的主观质量上都有明显提升,客观评价指标PSNR平均提升了0.61dB,SSIM平均提升了0.03,这对于人脸超分辨率的应用具有重要意义。