随着科学技术的发展,人们对高分辨率图像的需求日益增长。而受制于当前技术以及预算的限制,这种需求并不能得到很好的满足。同时,在非受控环境中,大量的不可控因素如光照、距离、大气扰动等造成了许多低分辨率的图像,低分辨率的人脸图像便是其中之一。这些低分辨率人脸图像严重影响了人们的视觉感受,对一些特殊应用如刑侦破案造成了诸多不便。作为超分辨率重建领域的重要分支,人脸超分辨率重建旨在将低分辨率的人脸图像重建为高分辨率人脸图像,从而为智慧城市建设、公共安全领域提供重要的数据支撑。近年来,深度学习尤其是卷积神经网络和生成对抗网络的发展极大的促进了人脸超分辨率算法的研究。为了更好的解决人脸超分辨率重建问题,本文分别设计了基于卷积神经网络和基于生成对抗网络的人脸超分辨重建算法。本文的主要工作如下:（1）基于注意力机制的卷积神经网络人脸超分辨率算法。在该算法中,本文将空间注意力机制和沙漏网络模块嵌入到残差机制中,构成一种新的空间注意力残差模块。空间注意力模块提升了网络抽取人脸有用信息的能力,沙漏网络模块可以同时使用多尺度的卷积特征,充分挖掘不同尺度特征之间的人脸信息,提高了重建图像的质量,丰富了生成人脸的图像细节信息。（2）基于注意力机制的生成对抗网络人脸超分辨率算法。本文将空间注意力机制应用于生成对抗网络中,构建了一个生成能力强的重建网络;本文第一次将RaGAN-LS损失函数用于超分辨率人脸图像的生成,稳定了生成对抗网络的训练,提高了网络生成更加真实人脸图像的能力;本文使用了多判别器对生成的人脸图像从全局和局部进行判别,保证了生成网络可以同时关注整张人脸以及相应的局部信息;在网络的生成器和判别器中,本文均使用了谱归一化对网络进行改造,谱归一化的应用使得网络的训练更加稳定;本文在生成器和判别器中分别使用了防止神经元”死亡“的带参数的Re LU和带泄露的Re LU激活函数。通过与其他人脸超分辨率算法对比可知,提出的两种人脸超分辨率重建算法可以生成更为真实、包含更多细节信息的人脸图像,不仅提高了人眼的视觉感受,同时也有助于提高人脸识别等后续应用的精度。