计算机视觉的目的是为实现对环境的表达及理解,从广义上来看,是一门“赋予机器视觉”的学科。通过研究相关的理论技术,智能的从图像、音频、视频等高维数据中提取信息,对高维数据内容作以分析解释,实现人与机器的交互能力。随着科学技术的发展进步,人工智能在各个领域的成功应用,计算机视觉方面的研究愈发受到学者专家的重视。目标检测、目标识别、图像重建、文本恢复等应用均涵盖于此领域的研究范畴。本文重点对计算机视觉中目标检测与图像重建这两个分支进行研究,采用卷积神经网络实现人脸检测与人脸超分辨率重建。人脸检测作为计算机视觉最直观可视化的研究应用方向,受益于科技进步、处理器性能提高,逐渐出现该技术产品的落地应用。基于卷积神经网络的人脸检测算法在数据集上选用Wider-Face人脸数据集进行实验,受到Yolo算法的启发,以Yolov3-Tiny网络结构为基础,结合残差网络对其进行改进。Anchor作为检测算法中一个重要部分,本文采用K-Means算法,生成更符合人脸数据集的Anchor值。在Yolov3-Tiny下采样层后加入残差网络,避免信息传递的损耗、丢失,提高了检测准确率。本文人脸检测算法主要对准确度与速度进行了分析研究。受限于实际应用场景,如:硬件设备、外部环境等,收集到的图像质量较差,无法直接进行模型训练。人脸检测相关的数据信息来源通常为监控数据,信息质量受硬件设备影响较大,因此对人脸超分辨率重建技术的研究有着重要的现实意义。基于卷积神经网络的人脸超分辨率重建算法在数据集上选用CelebA数据集进行实验,依据人脸图像RGB颜色空间通道不同颜色通道对图像失真效果的影响程度,通过实验效果对比,对三通道颜色空间全部进行重建,避免单通道重建带来失真影响。本文将SRCNN作为基础网络结构,改进数据预处理算法以及网络结构模型。Lanczos算法是一种将对称矩阵通过正交相似变换变成对称三角矩阵的算法,可被用于重采样和插值滤波,Lanczos算法相较于三次内插算法达到更好的重建效果。在数据预处理阶段用采用Lanczos算法代替原本的三次内插算法。SRCNN网络结构中引入Inception V3模块,首先在MINIST数据集中验证了实验想法的可行性,最终达到了预期的实验效果,人脸图像重建PSNR为36.61。