超分辨率重建可以从细节模糊的低分辨率图像中重建出分辨率更高且细节信息更丰富的高质量图像,在工业领域、军事领域等诸多领域中均有着很高的应用价值,因此一直是计算机视觉领域中的研究热点。单幅图像超分辨率重建通过探索图像内的自相似性进行重建,受限于图像本身有限的信息,其重建结果也受到了一定的限制,而视频超分辨率重建则可以利用更多相邻帧的信息帮助重建。但是,如何高效充分利用相邻帧间的时间及空间相关性信息进行重建是一个亟待解决的问题。目前在视频超分辨率重建方法中,多是通过配准或光流估计的手段来提取相邻帧间的时空信息,这种方法高度依赖于配准及光流估计的准确性,此外,在高倍超分辨率重建时,重建结果的细节信息丢失较多。针对上述问题,本文基于深度学习技术对视频超分辨率重建方法进行研究,提出了一种无需计算光流的视频超分重建方法,能够有效提取相邻帧间的时空特征,提高重建结果的精度。本文的主要研究内容如下:（1）提出了一种多尺度时域3D卷积超分辨率重建方法,解决了视频超分辨率重建方法中对光流估计过于依赖的问题,能够在不计算光流的情况下完成视频超分辨率重建。该方法利用3D卷积能够对空间与时间同时建模的特点,并结合视频序列中的多个时间尺度,完成了对视频序列帧间时空特征的提取,通过利用序列帧之间的时间相关性及空间相关性信息,有效提升了重建帧的质量。实验验证表明,本文提出的方法相较于传统双三次插值方法及一些深度学习方法,在PSNR及SSIM等客观评价指标上均有所提升,在主观视觉效果上也能够重建出更丰富的细节纹理信息。（2）提出了一种基于广泛自注意力的视频超分辨率重建方法,解决了在较大上采样因子重建时细节信息丢失过多的问题,有效提升了重建结果的质量。该方法利用注意力机制对序列任务建模能力强的特点,提出一种广泛自注意力模块,能够保持较高维度的特征信息并进行大范围的映射,通过计算不同空间和通道上特征信息的权重,从众多特征中筛选出对目标更关键的特征,并以此完成视频超分辨率重建。实验验证表明,该方法在2倍、3倍、4倍上采样重建时,重建结果的客观评价指标均优于插值算法及VESPCN、SOF-VSR等深度学习算法,验证了该方法在大因子上采样重建时依然有较好的重建效果。（3）将本文研究的超分辨率重建方法应用于现实项目。在参与的《面向海量多源遥感数据处理的关键数学问题及其产业应用》项目中,以本文研究的超分辨率重建方法为核心设计实现了对应的功能模块,模块中拥有可视化界面与用户交互,包含数据获取、超分辨率重建、影像处理等功能设计。在日常生活及超高清工业等诸多领域均具有较高的实用价值。