随着人工智能、深度学习技术的兴起,以及人脸图像具有独特的稳定性和可识别性,人脸图像的研究成为了计算机视觉研究的热点问题。在人脸图像的采集过程中,由于光学系统偏差等硬件条件限制和传输与存储过程中采用压缩或下采样技术造成损耗等影响,最终采集的往往是低分辨率、细节缺失的人脸图像。人体身份识别在日常生活中有着十分重要的意义,人脸图像是人体的重要信息载体,在人体身份识别中起着重要所用。人体识别的准确度取决于人脸图像的质量,人脸图像的质量越高识别的准确率也越高,因此如何提升人脸图像的质量成为日益重要的问题。人脸图像质量的提升主要可以从软件和硬件两方面进行,但是在应用过程中基于硬件提升图像质量会降低成像转换速度、增加成本,较为可行的方案是从软件方面提升人脸图像质量。现在较为常用的软件提升图像质量的方法是通过图像超分辨率重构技术重构生成高分辨率人脸图像。目前,许多超分辨率重构方法重构生成的人脸图像容易出现伪影和轮廓模糊的问题,在进行大倍率人脸图像超分辨率重构时,这些问题更加明显。近年来,随着深度学习的兴起,深度学习在图像处理领域占主导地位,基于深度学习的人脸图像超分辨率重构技术逐渐成为主流。本文对融合语义信息的人脸超分辨率重构技术进行研究,借助引入的参考图像对低分辨率人脸图像进行有效重构。人脸超分辨率重构方法中的参考图像特征提取网络提取参考图像的特征信息,保留其人脸神态和重点部位的细节特征信息,去除人脸轮廓和面部表情等冗余特征信息;超分辨率重构主网络基于提取的参考图像的特征信息,对低分辨率人脸图像特征进行填充,重构生成高分辨率的人脸图像。在数据集上的实验表明,本文方法能实现对低分辨率人脸图像的有效重构,具有良好的鲁棒性。本文的主要工作如下:1)提出针对人脸图像的超分辨率重构方法,引入与高清人脸图像不同角度、面部表情也有差异的同一个人的图像作为参考图像,提出端到端的融合人脸参考图像的超分辨率重构方法,借助参考图像的脸部细节信息辅助人脸的超分辨率重构,解决了现有的人脸超分辨率重构方法生成的人脸图像容易出现伪影和模糊的问题;2)设计并实现参考图像特征提取网络提取参考图像特征信息。在参考图像特征提取网络中,通过设计基于注意力机制的特征筛选模块,去除参考图像的部分冗余信息并保留参考图像的神态和人脸重点部位的细节信息,从而减少人脸重构图像的轮廓模糊;3)人脸参考图像具有丰富的脸部细节信息,也具有很多冗余的人脸轮廓和面部表情信息,为提取参考图像的有用信息,进一步设计基于多重注意力的特征筛选机制,分别从通道注意力和空间注意力两个角度对参考图像特征进行筛选,并给出基于多重注意力的人脸图像超分辨率重构方法,实现高效准确的人脸超分辨率重构;4)在上述工作的基础上,设计并实现了融合语义信息的人脸图像超分辨率重构系统。给出了系统的整体处理流程,并通过图形界面直观地将重构过程,重构果和对网络模型的评价展示出来。