深度学习的发展极大的促进了人脸识别技术的进步,但是当图像质量因光照、距离、天气等因素的影响而下降,人脸特征较模糊时,人脸识别准确率将大幅下降。所以,人脸识别仍然面临着众多的技术挑战,基于深度学习的低画质人脸识别问题的研究具有重大意义。为了解决因图像质量导致的人脸识别算法性能降低,识别准确率下降的问题,本文对基于深度学习的低画质人脸识别问题进行研究,主要研究内容分为以下三部分:首先,深入研究深度学习相关算法原理、常用的模型以及训练技巧。深度学习技术领域主要包括网络结构的设计、反向传播算法、损失函数以及网络模型的训练。卷积神经网络是图像识别常用的网络结构,主要包括:卷积层、池化层、全连接层、激活函数和损失函数。梯度下降法是常用的一种反向传播算法,本文重点研究了梯度下降法以及其改进算法。网络模型的训练技巧是提高模型性能必不可少的一部分,本文重点研究了参数初始化以及批量归一化等。其次,本文提出一种面向识别的低画质人脸图像增强方法:G-Log算法。在分析距离和光线等因素对人脸图像质量的影响以及研究图像降质模型的基础上,提出一种面向人脸图像识别的图像增强方法:G-Log算法。该算法利用非线性变换改变图像像素分布,从而较好的提升图像对比度,恢复图像细节,最终很大程度上提高了人脸识别准确率。最后,本文在大量实验的基础上,设计了一个针对小数据样本和低画质人脸图像的人脸识别系统。本文利用数据增强模块对现有的人脸数据扩充,用以解决数据量较少的问题。特征提取模块详细的分析了多种不同的卷积神经网络结构,并且结合实验结果以及本课题的特点,利用VGGFace网络模型提取人脸特征。分类模块详细的分析了多种分类算法,实验表明SVM分类结果较稳定,分类准确率较高。综上所述,本文在提出G-Log图像增强算法的基础上,设计了一整套的针对低画质和小数据样本的人脸识别系统:利用G-Log算法进行图像增强,利用数据增强模块进行数据扩充,利用VGGFace提取人脸特征,SVM进行特征分类,最终人脸识别准确率得到进一步提高。