随着社会的发展，人脸识别技术在现实社会中的应用变得越来越广泛。在实际的视频监控系统中，图像设备采集到的图像往往含有姿态变化和分辨率低等影响因素，而现有的方法对于伴随多姿态低分辨率人脸图像的识别性能并不是很理想，为解决低分辨率多姿态人脸图像中姿态变化的非线性问题和低分辨率问题的影响，本文提出将深度信念网络与极限学习机相结合的深层网络结构的方法来识别低分辨率多姿态人脸图像。　　本文方法中的深度信念网络结构主要作用为特征提取，极限学习机主要用于分类识别。其中深度信念网络由多层限制玻尔兹曼机模型构成，每层的限制玻尔兹曼机通过贪婪学习算法无监督逐层学习，对训练而得的深度信念网络结构再使用自编码器进行参数微调，这样构建学习而成的深层次的非线性网络结构模型发挥在复杂函数的非线性问题逼近方面的优异性能，有效地学习带有姿态变化的高低分辨率图像之间流形假设的点对联系，充分挖掘带有姿态变化的高低分辨率图像中姿态变化的非线性联系以及高低分辨率图像之间的共有特性，从而克服姿态变化的非线性和分辨率低的影响，进而提取输入图像的本质特征。最后在构建的深度信念网络模型结构的最顶层添加极限学习机模型达到分类识别的目的。本文最后在姿态因素影响相对较大的UMIST人脸库、ORL人脸库和FERET人脸库进行相关实验，在实验前，本文先对人脸库中的图像进行预处理操作，再通过处理后的图像训练学习网络结构并测试分类，最后的实验结果表明，相比于其他方法，本文所提出的方法具有识别率高、分类时间短等优点。