بازشناسی چهره در زمینه¬های بیومتریک، بینایی ماشین و تشخیص الگو بوده و دارای کاربرد گسترده¬ای از جمله مسائل مربوط به سیستم¬های امنیتی می¬باشد. از آن¬جا که عوامل مختلفی از جمله نحوه نورپردازی محیط، نویز، و ماتی تصویر در عملکرد روش های بازشناسی چهره کم و بیش تاثیرگذارند، لذا بررسی روش های رفع ماتی از تصاویر چهره مورد استفاده در الگوریتم¬های بازشناسی چهره، به منظور ارتقا صحت بازشناسی، اهمیت ویژه¬ای دارد. با توجه به این موضوع که مسأله اساسی در کلیه روش¬های بهسازی تصاویر، پی¬بردن به نوع و مشخصات تابع گسترش نقطه¬ای (psf) مربوط به عامل مات کننده تصاویر است، لذا در قسمتی از روش پیشنهادی در این پایان¬نامه با فراگیری دانش قبلی از روی نمونه های آموزش که شامل تصاویر چهره مات شده به صورت مصنوعی می¬باشند، به شناسایی psf عامل مات کننده تصاویر چهره، پرداخته شده است. طبق روش پیشنهادی در این پایان¬نامه ابتدا در مرحله آموزش، مجموعه¬ای از تصاویر چهره مربوط به پایگاه داده orlرا با استفاده از چند psf مشخص، به صورت مصنوعی مات کرده و سپس به آن¬ها نویز سفید با توان متوسط db30 اضافه می¬کنیم. حال، ویژگی¬هایی متشکل از اطلاعات بیشینه مربوط به اندازه مولفه¬های فرکانسی تصاویر مات شده با psf مشابه را در یک دسته قرار داده و با استفاده از شبکه عصبی mlp به فراگیری دانش از روی فضای ویژگی ایجاد شده، می¬پردازیم. سپس در مرحله آزمایش تصویر چهره مات ورودی که دارایpsf مات کننده نامشخص می¬باشد را به فضای ویژگی مرحله آموزش نگاشت داده و به استخراج ویژگی¬های قبلی از روی تصویر نگاشت¬ یافته می¬پردازیم. حال به کمک شبکه عصبی آموزش داده شده قبلی، نزدیکترین دسته به این تصویر را از بین دسته های آموزش داده شده انتخاب، و psf مات کننده تصاویر مربوط به این دسته را به عنوان psf مات کننده تصویر چهره مات ورودی، در نظر می-گیریم. در ادامه، با توجه به این psf و با استفاده از روش دیکانولوشن (عکس پیچش) به بهسازی تصویر ورودی پرداخته و تصویر بهسازی شده را جهت انجام عمل بازشناسی به سیستم بازشناسی چهره تحویل می¬دهیم. طی روش پیشنهادی در این پایان¬نامه با ایجاد فضای ویژگی خاص متشکل از اطلاعات بیشینه مربوط به اندازه¬ مولفه¬های فرکانسی تصاویر مات، موفق به بالا¬بردن دقت شناسایی psf (دقت شناسایی بالاتر از %80 در شرایط نویزی) و در نتیجه افزایش دقت سیستم بازشناسی چهره (افزایش دقت سیستم بازشناسی از %833/19 به %837/90) توسط این روش شده¬ایم. همچنین استفاده از شبکه عصبی جهت شناسایی psf، از یک طرف باعث کاهش 172/41 درصدی متوسط زمان اجرای این روش نسبت به روش¬های نوین ارائه شده در این زمینه شده، و از طرف دیگر قابلیت پیاده¬سازی سخت¬افزاری این روش را نسبت به روش¬های موجود افزایش داده است.