计算机、网络和多媒体技术飞速发展推动了视频会议的诞生,视频会议是一种高效而灵活的会议方式被广泛应用于医疗、军事、商贸等各个领域,而会议视频是视频会议这种会议方式中由会场摄像设备录制下来的视频。如今,视频会议系统正成为各行业的重要通信业务,与此同时,会议视频的视频质量也逐渐引起重视。会议视频在录制时由于网络带宽或者其他录制硬件的限制,可能无法以原生高分辨率录制会议视频,直接观看视觉效果较差,这就需要视频超分辨率技术来提升会议视频的分辨率。视频超分辨率技术是指将一段分辨率较低的视频通过某种方式转化为分辨率较高的视频。近年来,基于深度学习的视频超分辨率技术成为计算机视觉研究中的一个热点。基于深度学习的视频超分辨率技术通过学习大量组低分辨率和对应高分辨率的视频帧来建立学习模型,将低分辨率的视频帧通过学习后的模型,以此恢复帧的高频细节。但是目前为止提出视频超分辨率技术应用在会议视频上效果都不理想,由于观看会议视频时,观众的关注重点往往在人脸上,而目前提出的视频超分辨率技术在人脸的重建效果上都不好,并且视频的整体重建速度较慢。为了解决上述疑难问题,本文对会议视频超分辨率技术进行了深入研究,主要的工作包括如下:1)针对会议视频中人脸是观看者的关注重点的特点,并根据会议视频质量的需求构建了一个全卷积端到端的深度神经网络,引入了人脸精细模块来对会议视频中的人脸重建进行针对性优化。并且对网络的训练过程调优进行了研究,提出了一种训练数据增强方法,让网络能有更好的泛化能力。通过对比实验证实了本文提出的会议视频超分辨率方法的先进性,在自建的会议视频测试集上,本文提出的网络生成的超分辨率帧在客观评价指标要优于其他方法,尤其在人脸重建方面,细节更丰富。2)针对会议视频中帧与帧之间相似度较高,动作尺度小的特点,提出了一种时空互补超分辨率技术,通过使用时间超分辨率方法来生成一部分超分辨率帧。该方法复用了会议视频超分辨率网络中图像配准模块的光流预测网络,避免了网络的多次训练,使用计算代价较低的时间超分辨率方法来代替计算代价较高的空间超分辨率方法。通过进行实验,证实了在大多数会议视频中,该方法可以达到较好的效果,可以在几乎不降低会议视频的质量的前提下,大幅降低视频的整体重建时间。