超分辨率作为图像处理领域内的关键技术,因其能够提高图像视频的分辨率,丰富纹理细节,在诸多领域都有重要的理论意义和应用价值,一直以来受到了学术界和产业界的广泛关注。近年来,随着深度学习理论和各种卷积神经网络的快速发展,基于深度学习的图像视频超分辨率重建方法成为了研究热点。然而,在实际应用中,图像和视频超分辨率技术经常面临着各复杂场景的挑战,如计算资源有限、退化方式多样（降采样、噪声、伪影、光线明暗和模糊等）、甚至是未知的退化方式等。面对这些挑战,如何从低质量低分辨率图像视频中快速、高效、精确地重建出高分辨率图像视频是个亟需解决的问题。本文以深度神经网络为基础,从复杂场景与实际应用出发,对超分辨率技术中的实时重建、高质量细节恢复、复杂场景模型泛化能力以及高分辨率视频生成等方面展开研究,提出了一系列图像视频超分辨率方法,主要的研究工作如下:·针对实际应用中的实时性要求,本文提出了一种自适应信息滤波图像超分辨率重建网络。该网络以空洞卷积和残差学习为基本组成部分,通过增大网络的感受野来提升浅层网络捕获图像上下文信息的能力,在实现快速重建的同时保证了一定的重建性能。为了进一步提高网络的细节恢复能力,设计了门选择机制和自适应信息融合结构,使网络自适应地过滤图像中冗余的低频信息,同时可以关注并融合更有用的高频信息。在公开数据集上的实验表明了该方法在重建速度和纹理清晰度方面具有卓越表现。·针对图像超分辨率任务中的高质量细节恢复问题,本文提出了一种深度交织网络。该网络采用多路径和多分支的设计方案有效地对网络中不同状态的信息进行融合与增强,提升了网络的特征表示能力。首先,本文将局部残差连接、密集连接、深度可分离卷积三者有机结合,构建加权残差密集模块,以多路径融合的方式实现更精确的特征聚合和传播。然后,在不同分支的交织节点上,提出了非对称协同注意力机制,对来自不同分支的特征进行自适应地筛选和强调,进一步提升了网络对高频细节恢复的鉴别能力。在不同退化类型图像上的实验结果表明了该方法可以在提升图像分辨率的同时显著改善图像细节,体现了模型的鲁棒性和泛化性。·针对真实场景下图像超分辨率模型的泛化能力,本文从图像的细节和结构角度出发,提出了一种细节-结构交替优化的网络处理真实世界中的盲图像超分辨率问题。该网络的核心是由细节恢复单元和结构调制单元组成的细节-结构调制模块,它利用图像细节和结构上下文之间的交互和协作,实现了细节与结构的交替优化。同时,本文从循环卷积神经网络的角度构建盲图像超分辨率网络框架,对图像的细节和结构分量实现跨时间的协同优化。所提出的方法在合成数据集、真实世界未知退化图像以及监控视频图像等多个场景中取得了优异的性能,具有很好的泛化性和普适性。·针对视频超分辨率的重建问题,本文提出了深度双重注意力网络,具体包含了一个运动补偿网络和一个超分辨率重建网络,以充分利用时空信息特征来实现精确的视频超分辨率重建。本文设计的运动补偿网络采用金字塔结构学习相邻帧之间的多级光流表示,并推断它们之间的空间变换实现运动估计与运动补偿。同时,为了减少运动估计带来的图像配准错误,本文提取原始低分辨率相邻帧的细节分量作为补充信息辅助后续的高分辨率视频重建。在超分辨率重建网络中,本文将通道注意力机制、空间注意力机制与残差学习相结合,构建双重注意力残差模块,沿通道和空间维度上使网络更关注利于高频细节恢复的特征。大量公开数据集上的实验结果表明,所提出的方法在客观指标和主观视觉质量两个方面均优于目前最好的方法。