低分辨率人脸图像中大量面部细节特征丢失，使得目前许多具有较好性能的经典人脸识别模型的识别率急剧降低。针对该问题，本文提出了一种分层蒸馏解耦网络(Hierarchical Knowledge Distillation Decoupling，HKDD)。首先，为了提升学生网络对低分辨率样本的特征描述能力，在教师网络与学生网络的卷积层之间进行分层特征蒸馏，使学生网络各中间层所提取的低分辨率人脸特征尽可能接近教师网络中间层所提取的高分辨率人脸特征，从而将教师网络各中间层强大的特征描述能力蒸馏至学生网络。随后，在教师网络与学生网络的Softmax层之间进行解耦蒸馏，把Softmax层的蒸馏损失解耦为目标类蒸馏损失和非目标类蒸馏损失，以发挥出被抑制的非目标类蒸馏损失对学生网络训练的指导作用，使学生网络在教师网络指导下学习到通用性面部特征的分类能力，从而确保学生网络能够在非限制性应用场景中具有较强的分类能力。最后，在TinyFace和QMUL-SurvFace等多个低分辨率人脸数据集中进行了效果验证，HKDD网络的识别率与实时性都优于其他代表性的低分辨率人脸识别模型，实验结果验证了该模型在低分辨率人脸识别任务中的有效性。