视频作为在日常生活中使用最多的媒体技术,其超分辨率重建技术将会有越来越多的用武之地。近年来各国都在大力发展单张图像超分辨率重建技术,在其基础上,视频中每帧的相邻帧往往会携带大量冗余信息,因此多帧中的信息能帮助各帧获得更多的边缘、细节和高频信息,从而重建出更加精确的高分辨率图像视频。由于网络带宽的限制,高清视频的实时传输是非常难做到的,因此目前视频的传输都会先经过压缩降质,导致画质、分辨率的退化。另一方面,早期由于设备的限制,录制的影像分辨率较低。视频超分辨率技术在视频的画质恢复中起到了非常重要的作用。随着深度学习的快速发展,其在单帧图像超分辨率技术中起到了巨大的作用。但由于视频中的物体往往是带有运动的,连续帧之间存在相对的偏移,因此直接将多帧超分后叠加会有伪影的现象出现。因此,相较于单图超分,视频超分主要有四个步骤:提取特征、多帧对齐、多帧融合以及重建。首先提取出视频中的特征,之后为了防止由运动产生的伪影,需要将提取出来的特征进行对齐。对于每一帧,要将对齐后的特征进行融合并进行视频重建。目前视频超分辨率主要存在一下三个问题:对于较大幅度的运动缺少强有力的对齐模块,对于对齐失败的场景缺少解决方案;在融合时无法充分挖掘与利用相邻帧之间的时序信息;基于残差块的特征提取模块的特征提取能力和重建模块的分辨率重建能力较弱。为解决上述问题,本论文提出了基于双网络结构的视频超分辨率算法。主要具有以下三点创新点:（1）基于可形变卷积的局部对齐恢复网络对于运动幅度较大的运动视频,提出了一种基于可形变卷积、金字塔结构以及前景背景掩码生成的局部网络,大大增强了视频帧的对齐效果,并通过相应掩码消除对齐失败而产生的运动伪影。（2）基于循环神经网络的全局信息融合网络全局信息融合网络将长段视频信息通过双向循环神经网路进行信息聚合,使用光流网络进行对齐,最后将局部对齐恢复网络与其融合成一套视频超分的解决方案,大幅领先现有的视频超分网络。（3）基于注意力机制的特征提取和特征恢复重建模块为了增强时序特征提取能力,提出了一种基于时序通道注意力机制的特征提取模块;为了增强时空特征恢复能力,提出了一种基于时空注意力机制的特征恢复重建模块。将这两个模块融入视频超分框架中进一步提高网络的效果。同时提出一种针对本视频超分框架的训练策略。