超分辨率算法是视频和图像恢复重建算法的一种,其目的在于通过低分辨率输入重建高分辨率输出。与图像超分辨率算法不同,视频超分辨率算法需要对齐不同帧来提高重建质量。现有视频超分辨率算法大多基于光流法对齐,该类方法在边缘与遮挡区域的运动估计不够精确,导致恢复的视频存在模糊、鬼影等影响观感的现象。近几年,一些视频超分辨率算法创新地采用形变卷积来进行帧之间对齐,使得网络输出质量得到大幅提高。与基于光流对齐的方法类似,基于形变卷积对齐的方法同样需要高精度运动估计,其表现在于偏移图精度直接影响形变卷积对齐效果,继而影响网络输出质量;此外,网络参数量与推理时间也是限制算法部署应用的一个重要因素。针对上述问题,本文提出两个不同的神经网络模型进行优化,二者分别基于时空对称信息与双向记忆机制。第一个网络为时空对称网络（Spatial-Temporal Symmetry Network,STSN）,侧重于提高模型输出质量。网络采用滑动窗口式输入,包含前融合模块、对齐模块、后融合模块和重建模块四部分。其中,前融合模块用于降低对齐模块计算量;对齐模块利用时空对称性估计高精度偏移图,将该偏移图用于形变卷积对齐;后融合模块将上一模块处理后的多组特征进行融合,并通过重建模块重建高质量的高分辨率输出。第二个网络为双向记忆网络（Bidirectional Memory Network,BMN）,侧重于降低推理时间。网络采用递归式输入,包含预处理模块、监督对齐模块、双向记忆模块和重建模块四部分。其中,预处理模块用于将需要对齐的帧转化到特征层面;监督对齐模块使用形变卷积进行对齐,并将计算所得的多组光流场,用于监督所有偏移图生成层的训练过程,达到使网络收敛过程稳定的效果;双向记忆模块利用循环神经网络相关技术,在递归输入过程中记忆不同帧之间的非冗余特征,并将其用于后续重建;重建模块负责二次特征提取,利用提取到的特征重建高质量的输出。两种方法均在多个公共数据集上进行测试,实验结果充分证明两种方法均是有效的,且两种方法具有不同的设计侧重点,使其能够覆盖更广的应用场景。