视频监控是目前主要的安防手段之一,利用视频片段和图片进行精准人脸识别在安保、刑侦等领域有重要作用和意义。在此应用场景下,由于人脸图像通常是在非配合的情况下获得,因此往往存在姿态偏差,模糊和遮挡等问题,导致现有的人脸识别算法失效,识别准确率严重下滑,无法直接应用。因此,研究视频监控的人脸识别方法,既可作为已有人脸识别方案的重要补充,又拓展了人脸识别的应用范围,具有重要研究意义。本文面向视频监控非配合场景,研究基于单张图片的人脸重建与识别,以及基于多张图片的人脸特征融合与识别问题。主要内容如下:（1）针对低分辨多姿态的人脸图像缺少高频信息,重建出的人脸鲁棒性较差问题,提出一种三元对抗重建识别网络。该网络包含了人脸重建和人脸识别两个部分,首先采用编解码网络将低分辨率侧脸图像重建为高分辨率正脸图像,再利用人脸识别网络对所重建的正脸进行人脸识别。在网络训练上,设计了一种最短距离三元组损失函数,并将该损失函数与对抗机制结合,提出了一种三元对抗训练方法,将最短距离三元组损失作用在三元对抗重建识别网络中,使网络对于同一个人提取的特征更为相似,而与其他人提取的特征不相似,使重建生成的人脸特征与真实正面人脸的特有特征更接近,为后续识别提供鲁棒的特征。实验结果表明本文提出的算法在低分辨率和较大偏姿的情况下,仍然能够重建出清晰真实的正面人脸图像,并获得较高的识别率。（2）为了从视频监控下具有冗余、关联和互补等特点的人脸序列图像中提取易于识别的关键特征,提出一种基于残差循环网络的视频人脸识别方法。该方法充分提取及融合视频帧时间维和空间维的特征,在每一帧图像产生预测矩阵序列后,对序列进行融合产生视频人脸识别结果。在序列图像特征融合上,将残差循环机制引入视频帧序列融合中,避免视频人脸在特征融合过程中上下文关联出现梯度消失,有效保证了特征融合的序列长度。实验结果表明,与应用2D卷积,3D卷积与循环神经网络的特征融合相比,残差循环神经网络的视频人脸识别方法可以提取到更加丰富的上下文信息,能够更好地进行前后帧之间的相互补偿,对于长序列的人脸视频具有更好的鲁棒性与更强的识别能力,并且在时间复杂度上优于其他视频人脸识别算法,具有更好的实时性。