随着信息技术的发展,监控视频图像已经成为人们获取周围环境信息的重要渠道之一,对人们的生活起着十分重要的作用。但是由于监控视频图像硬件设备陈旧,以及视频经过了编码压缩,常常使得采集的监控视频图像存在着分辨率较低、细节难以辨认等问题,给我们的生活带来了诸多困扰。研究人员利用图像超分辨率重建技术对这些低分辨率监控视频图像进行重构,得到分辨率更高、图像质量更好的的高分辨率监控视频图像。虽然已有不少研究成果,但其最终重构图像质量仍旧不能令人十分满意,还有提升空间。同时,由于超分辨率重建算法具有大量的复杂计算,一般的嵌入式处理平台难以满足其要求,导致运算速度十分缓慢,使得传统监控视频图像的超分辨率重建在嵌入式工程环境应用上进展缓慢。针对上述问题,本文利用卷积神经网络方法针对传统监控视频进行超分辨率重建。主要是针对传统监控视频图像中可能存在的物体与其相关运动信息进行超分辨重建。同时考虑到传统监控视频图像的嵌入式运行环境,将超分辨率重建神经网络移植到了嵌入式GPU平台Jetson TX2上。本文研究工作主要包括:(1)在对传统监控视频图像退化模型分析的基础上,将基于卷积神经网络的对图像空间信息与运动信息进行提取的方法应用在传统监控视频图像超分辨率重建问题上,设计了一种具有针对性的超分辨率重建卷积神经网络。该神经网络对多帧低分辨率视频图像中的空间信息与运动信息进行提取与融合,重构出分辨率更高,图像质量更好的图像。通过实验对比,证明了本文提出的卷积神经网络对传统监控视频图像的超分辨率重建效果更佳,进一步提高了传统监控视频图像质量。(2)考虑到传统监控视频嵌入式工程环境,以及超分辨率重建卷积神经网络对硬件计算能力的需求,将本文提出的超分辨率重建卷积神经网络算法移植到了嵌入式GPU平台NVIDIA Jetson TX2上。(3)由于TX2平台内存较小,计算能力较弱,原始的神经网络运行时间较长,需要进一步优化,提高其在TX2平台上的适应性。本文一方面对该卷积神经网络的结构与运算方法进行了优化以减少其内存空间占用与计算量大小。另一方面在保证超分辨率重建图像质量损失在可接受的前提下,本文结合TensorRT神经网络模型推理优化,显著提高了该卷积神经网络的超分辨率重建速度。从而使得该卷积神经网络具有工程实用价值。