高分辨率视频在生活娱乐、视频监控、医疗等多个领域有着非常大的需求,然而受网络带宽、成像系统等因素的限制,大量视频只能以低分辨率的形式呈现。为了解决该问题,视频超分辨率技术得到了广泛的研究。随着深度学习的快速发展,基于深度学习的视频超分辨率算法表现出了优异的性能。本文针对如何有效处理视频信息的时空域特征这一问题开展了深入研究,提出了基于循环神经网络的视频超分辨率算法,并在特征传播、特征聚合、特征重建和特征对齐等方面做出了改进。本文主要的研究内容与创新点如下:（1）提出了基于门控的双向循环分离网络（GBRSN）。GBRSN在特征传播、特征聚合和特征重建方面对视频超分辨率算法做出了优化。算法以双向循环结构为基础进行分离学习,利用正向传播获取图像的低频成分,利用反向传播获取图像的高频成分,并通过耦合结构实现特征的深层传播和扩大反向传播中每个循环单元的时域感受野。为了应对循环网络中的错误特征,算法在特征聚合中采用了门控结构对循环网络中的特征进行筛选和更新,有效地避免了错误特征的传播。相比于直接将插值得到的低频成分与网络推理得到的高频成分相加,本文优化了特征重建模块,采用残差模块对低频成分和高频成分进行微调,得到了更好的结果。本文在Vid4、UDM10和Vimeo-90K-T数据集上对所提出的GBRSN进行了实验,平均PSNR为28.51dB、39.84dB 和 37.54dB,平均 SSIM 为 0.8684、0.9701 和 0.9512。结果表明GBRSN算法在各个数据集上都具有很好的表现。（2）优化设计了基于光流的特征对齐模块。该模块能够进行有效的特征对齐,将其与GBRSN算法结合,设计了基于光流的门控双向循环分离网络（FGBRSN）。图像对齐的方法往往受限于插值产生的亚像素点,从而导致信息丢失。在基于深度学习的算法中,采用可变形卷积进行特征对齐的方法具有较好的性能,但这种方法训练难度较大。为了解决该问题,本文提出了一个轻量化的光流网络FNet,并对光流网络进行预训练。算法采用基于光流引导的可变形卷积模块对输入信息进行连续帧之间的对齐,对隐藏状态和输出状态进行连续循环单元之间的对齐。本文在Flying Chairs数据集上对光流网络FNet进行了实验,在Vid4、UDM10和Vimeo-90K-T数据集上对FGBRSN进行了实验,平均PSNR为28.79dB、40.22dB 和 37.62dB,平均SSIM为0.8714、0.9715和0.9518。结果表明FGBRSN算法相比GBRSN进一步提升了生成视频的质量。本文提出的FGBRSN和现有的算法相比具有一定的优势。