随着互联网的快速发展,数字视频以其最直观记录事物的特点成为我们日常生活工作中的重要组成部分,但其存储过大的缺陷,为网络传输及存储带来了巨大的压力。目前主流的视频编码压缩标准HEVC已经取得了不错的视频压缩效率,然而在面对日益增长的数字视频总量及实际生活中丰富的应用场景时,其追求的低码率、高压缩性能会使得视频产生严重的压缩失真,例如振铃效应、方块效应等等。因此,如何提升低码率条件下编码后的视频主观质量以及提升低分辨率视频的主观质量是目前亟需解决的重要问题。与此同时,深度学习在视频图像处理领域得到了快速发展,取得了许多传统算法无法达到的成绩,如何有效的将深度学习技术运用于视频图像处理领域以解决实际疑难问题,还需要进一步进行探索。基于以上研究背景,本文采用深度学习方法和框架,紧密围绕视频画质增强,从提升低码率条件下编码后的视频质量和改善低分辨率下的视频质量两个角度出发,分别提出了全新的视频压缩失真修复算法和视频超分辨率重建算法,以改善目前两种劣化条件下的视频主客观质量。主要研究成果如下:首先,针对低码率下视频质量问题,提出了一种有效将视频帧时域信息和视频编码器先验信息相结合的卷积神经网络算法。该算法首先将待修复帧通过多尺度attention模块提取视频帧中多尺度的细节补充特征图,随后提取HEVC低码率编码时产生的编码单元、变换预测单元的块划分信息作为待修复帧的失真修复指引图,最后将细节补充特征图及失真修复指引图按照时间顺序输入Conv LSTM网络中,并对Conv LSTM同时进行顺序及逆序的双向迭代有效融合时域帧间信息并完成视频帧最终修复。我们提出的算法对失真视频PSNR值平均能够提升0.39d B,同时也有效降低了视频中出现的各种压缩失真。其次,针对低分辨率视频质量问题,提出了一种将帧间运动补偿与视频帧时域信息结合的卷积神经网络算法。该算法首先通过运动补偿网络对输入LR的相邻帧进行位移校准,随后利用双向Conv LSTM网络对校准后的相邻帧及LR进行特征提取与融合,最后对输出的特征图做子像素卷积进行倍数放大得到HR。我们提出的算法相比于其他超分辨算法在各种放大倍数任务下均有着更高的主客观质量,相较于最常用的Bicubic插值放大算法,我们的算法在2倍超分辨任务下能够带来平均4.89d B的PSNR收益,同时也为超分视频带来了更丰富准确的细节信息。