视频超分辨率是图像处理领域中一个经典且具有挑战性的视觉任务,其目标在于根据序列低分辨率视频恢复相应的高分辨率视频。视频超分辨率重建旨在利用相邻视频帧之间的时序和空间信息生成时空一致的高分辨率视频。本文重点围绕基于深度学习的视频时序特征学习,以及时空特征融合的视频超分辨率方法展开研究。在学习并研究了目前先进的深度学习视频超分辨率重建方法的基础上,提出了结合高分辨率光流估计补偿的高分辨率特征投影网络HOF-HRPN,其将多尺度低分辨率投影学习获得的特征信息融合进重建目标帧,有效保证视频时空一致的同时提高重建视频的质量。为了避免显式运动估计补偿存在引入伪影和模糊的弊病,构建了隐式帧对齐的高分辨率投影循环传播网络RHRPN,其融合序列低分辨率、高分辨率投影及超分辨率特征,并将其在帧间循环传递,生成时空一致性增强的视频超分辨率结果。本文的主要工作体现在以下三个方面:（1）学习并研究了先进且具有代表性的视频超分辨率方法,并对几种典型的视频超分辨率方法数值实现与分析比较。阐述了基于深度学习的视频超分辨率网络框架及算法流程。指出研究视频超分辨率重建具有重要的理论和实际应用价值。（2）提出了一个端到端的高分辨率光流估计补偿联合高分辨率特征投影重建的视频超分辨率网络HOF-HRPN。利用序列低分辨率帧之间的时序关系,高分辨率光流估计补偿网络计算相邻帧之间的高分辨率光流并补偿相邻帧,实现准确的帧对齐。高分辨率特征投影重建网络由多帧重建通道和单帧重建通道构成。多帧重建通道对序列低分辨率帧多尺度变换投影学习获得特征信息,并与单帧重建通道利用残差网络重建的目标帧融合,生成具有时空一致性的视频超分辨率结果。大量公开数据集的实验结果表明,HOFHRPN方法不仅在客观评价指标上具有竞争力,而且在视觉上可以恢复出突出的边缘轮廓,生成丰富清晰的纹理。（3）鉴于显式运动估计补偿往往会引入伪影和模糊,因此构建了隐式帧对齐的高分辨率投影循环传播网络RHRPN,其由高分辨率投影循环传播RHRP单元循环迭代组成。RHRP单元融合序列低分辨率、高分辨率投影和超分辨率特征,实现了时空一致性增强的视频超分辨率重建结果。