随着计算机技术和视频处理技术的高速发展,视频已经成为人们获取信息最主要的途径之一,对视频获取质量的要求也越来越高。在现实生活中,由于受视频采集设备、硬件条件以及传输带宽的限制,人们获取的视频往往达不到理想的质量水平,不仅降低了人们的观看体验,也影响了对视频的进一步开发和利用。视频超分辨率重建技术是计算机视觉和图像处理领域中的一门重要的图像处理技术,它是从低分辨率视频中重建出高分辨率视频的过程,在视频处理领域、模式识别领域、卫星、遥感成像领域、天文学领域以及医学成像领域有着重要的应用价值和广阔的应用前景。因此,对视频超分辨率重建技术展开深入研究具有重要的理论研究意义和实际应用价值。本文围绕基于深度学习的视频超分辨率重建方法展开研究。目前大部分视频超分辨率重建方法采用的光流估计模块都生成低清光流估计,无法为后续的运动补偿提供更多的特征信息,本文提出了多帧融合光流网络,并将该网络应用于视频超分辨重建,有效提高了视频超分辨率重建质量;为了进一步利用视频帧之间的运动特征,提升视频超分辨率重建效果,提出了基于时空残差密集网络的视频超分辨率重建方法。本文的工作主要体现在以下两个方面:（1）提出一种基于多帧融合光流网络的视频超分辨率重建方法,该方法首先将相邻视频帧输入到改进的PWC-Net光流网络以得到高分辨率光流;其次通过融合光流模块对生成的高清光流进行融合,并通过空深转化使之生成光流组;最后光流组中的光流依次对输入的低分辨率视频帧进行运动补偿,补偿后得到的补偿视频帧组输入到亚像素卷积网络得到重建后的高分辨率视频帧。实验结果表明提出的多帧融合光流网络中对PWC-Net光流网络的改进网络可以提供相邻视频帧之间更多的运动细节,提出的融合光流模块为光流估计输入提供了更充分的补偿信息,多帧融合光流网络可以有效地提高视频超分辨率重建的效果。（2）提出一种基于时空残差密集网络的视频超分辨率重建方法,该方法首先对视频帧通过不同尺度的三维卷积层提取时空特性,将得到的特征图融合,得到时空特征图;其次将时空特征图输入到连续的三个时空残差密集块（每一个时空残差密集块由三个时空残差块密集连接组成）进行提取时空特征后,得到三个不同的时空特征图,并通过级联的方式进行特征融合;最后融合特征图通过亚像素三维卷积网络得到重建后的高分辨率视频帧。相比较大部分视频超分辨率重建方法所用到的二维卷积,本方法所用到的三维卷积能够自然的捕获相邻视频帧之间的空间特征。实验表明,时空残差密集网络可以有效地提取多层时空残差块的局部特征信息,并通过全局特征融合以全局方式自适应地保留分层特征,亚像素三维卷积网络则能有效地将分层特征映射到高分辨率输出,得到的高分辨率视频帧能够达到更好的重建质量。