人脸识别是利用人的面部特征进行身份验证与识别的一种重要技术,在日常生活中具有广泛的应用前景。近年来提出了许多人脸识别算法,这些算法在有约束的人脸图像数据集上取得了较好的识别效果。然而在现实应用场景下,受到视频采集设备配置相对落后、自然环境恶劣、噪声干扰严重等外部因素的影响,现有的人脸识别算法在这些复杂条件下的准确率有所下降。因此在低分辨率条件下提升人脸识别的准确率非常重要,在现实生活中也具有极大的应用价值。本文重点对低分辨率人脸图像的超分辨率重建、人脸识别算法的关键因素进行了分析与研究,结合传统谱重建算法与深度学习,提出了人脸深度超分特征重建与识别算法,并应用本文提出的算法设计并实现了人脸识别系统,以验证本文所提算法的有效性。本文的主要研究工作如下:（1）提出一种基于分数阶人脸表示的人脸图像超分辨率重建算法。噪声等干扰信息会对人脸图像超分辨率重建产生不利影响,人脸图像的分数阶表示能够有效的抑制这些干扰因素,能够增强人脸图像对噪声、光照强度、表情变化的鲁棒性。本文将人脸图像的分数阶表示作为卷积神经网络的输入,提取人脸残差特征图与低分辨率人脸图像相结合,得到重建后的超分辨率人脸图像。在实验时首先通过定量实验以确定最优分数阶参数,随后在CelebA与AT&T人脸图像数据库上证明了该算法的有效性。（2）提出一种基于多特征融合的人脸识别算法。对低分辨率人脸图像进行鲁棒识别时一般需要多种人脸图像特征参与。基于此,本文提出了一种特征融合方法,即将本文所构建的超分辨率人脸图像与在不同分数阶参数约束下得到的人脸图像特征进行融合,得到融合后的人脸特征并将该特征用于识别。在实验时采用了不同的人脸识别损失函数,随后在CelebA与AT&T人脸图像数据库上证明了该算法的有效性。（3）利用提出的人脸图像超分辨率重建与多特征融合算法,设计并实现了人脸深度超分特征重建与识别系统。系统主要包含了图像采集、面部检测、人脸图像预处理、人脸图像预处理、人脸图像超分辨率重建及人脸识别等模块。在对系统各个功能模块进行测试后,证明了本系统能够有效地完成人脸图像超分辨率重建与识别任务。