چکیده: از دهه ی 1970 تاکنون استفاده های وسیعی از حسگرهای تصویری CCD و CMOS برای ایجاد تصاویر دیجیتال شده است. اگرچه این حسگرها برای بسیاری از کاربردها مناسب هستند اما سطح تفکیک پذیری فعلی و قیمت مصرف کننده قادر به پاسخ گویی بسیاری از کاربردهای فعلی و آینده نخواهد بود. روشی که توجه بسیاری از محققین را به خود جلب نموده است. استفاده از تکنیک های پردازش سیگنال بر روی تصاویر با تفکیک پذیری پایین به منظور ارتقای تفکیک پذیری این تصاویر است از ویژگی هایی که می توان برای این روش ها نام برد عدم نیاز به افزایش تعداد المان های تصویربردار به صورت سخت افزاری و هزینه ی بالای آن می باشد. روش هایی که در این زمینه مورد استفاده قرار می گیرند تحت عنوان روش های فراتفکیک پذیری ارائه می شوند. در این پایان نامه هدف بازسازی تصویر چهره از طریق فراتفکیک پذیری بر مبنای یادگیری می باشد. یکی از روش های پیشنهاد شده به نام LPS-GIS شناخته شده است. در این روش پایگاهی از زوج تصاویر با تفکیک پذیری پایین و بالا جهت یادگیری رابطه بین این تصاویر تهیه شده سپس برای یک تصویر ورودی با تفکیک پذیری پایین تعدادی از تصاویر با تفکیک پذیری پایین در پایگاه داده که شباهت قابل قبولی با تصویر ورودی دارند انتخاب می شوند سپس به کمک تصاویر با تفکیک پذیری بالای متناظر با تصاویر انتخاب شده در پایگاه داده، نسخه فرا تفکیک پذیر شده ی تصویر ورودی تخمین زده می شود. در این روش الگوریتم PCA به عنوان معیار شباهت به کار رفته است. در این پایان نامه معیارهای استخراج ویژگی HOG، SIFT، SURF به جای معیار مذکور مورد استفاده قرار گرفته است و نتایج حاصل از ویژگی های مذکور مورد بررسی قرار می گیرد.