图像超分辨率是计算机视觉的研究方向之一,且在一些领域得到应用。以往的图像超分辨率大多侧重于重建质量;而对于视频直播场景而言,图像超分辨率不仅需要关注重建性能,更需要关注推理速度,从而模型的轻量化成为重要研究。此外,图像经超分辨率重建后图像像素呈指数倍上升,视频编码产生的码率亦随之增长,进而增加网络带宽成本,因此,在视觉无损或少损的前提下降低图像与视频的码率,也是图像超分辨率应用中需要考虑的因素。针对视频直播中的图像超分辨率问题,本文主要做了以下工作:（1）研究图像超分辨率模型的轻量化实现,提出了一个基于特征降维的轻量化图像超分辨率模型。该模型包含一个轻量级的下采样模块,在模型头部加入基于Pixel Unshuffle的特征下采样模块,在基本不丢失特征的前提下,降低特征尺度,以减少网络的计算量,达到快速推理的目的。在该模型的训练阶段,提出了一种基于高频增强的损失函数,以在模型的学习过程中,引导网络增强对于高频纹理的敏感程度,高效地重建图像中失真的细节纹理。提出一种基于视频压缩噪声模拟的数据集构建方法,对图像同时施加空域与时域的压缩噪声,最大化模拟了真实场景中的图像退化。（2）研究超分辨率在视频直播应用场景中的码率节省方法,提出了一种基于特征低秩重构的轻量级码率节省模型。在训练阶段设计了一种基于特征低秩重构的损失函数,该方法去除了图像中视觉无感的噪声细节。该模型有效地降低了图像的秩,从而在视频超分辨率的应用场景中,在视觉无损或少损的前提下降低了编码的视频码率,节省了超分辨率在直播系统中的应用成本。（3）基于上述模型与方法,设计并实现了一个视频直播系统。通过模型在视频转码子系统中的部署,使视频直播系统拥有了超分辨率重建与码率节省的能力,解决了由于推流端原始视频流质量低而无法观看超清视频直播的问题,验证了本文所提模型和方法的有效性。