卷积神经网络(CNN)是一种特殊类型的深层次结构的神经网络(DNN),CNN迄今已成功地应用于图像或视频超分辨率以及其他恢复和检测任务。首先本文在第二章节提出了一种基于区域深度卷积神经网络的人脸超分辨率算法,利用并行网络和异构优化构建一个高效、灵活的总深度学习体系结构的并行网络常规的深度学习框架的并行网络,使用局部适配器自适应的选择训练集里相邻的图像块,保留图像块的稀疏性和局部性,解决现有同类算法表示输入的低分辨率图像块不准确的问题。本文的第三章提出了一种基于卷积神经网络的视频超分辨率算法,在图像超分辨率算法的基础上延伸到视频超分辨率。视频超分辨率算法是一种基于内容聚类的超分辨率重建的方法,利用了视频中连续序列帧中的感兴趣内容在复杂的空间域和时域上的一致性,并使用运动补偿和预训练方法来减少训练时间和提高视频重建质量。在恢复过程中,首先对每个数据集相邻帧之间的运动进行建模和估计,在训练过程中包含多个相邻帧,得到每帧之间子像素运动所获得的附加信息,那么这些帧差异所传递的附加信息也可以被基于学习的方法捕获。然后提取视频的感兴趣内容,并对该内容进行聚类,还是称感兴趣内容为“帧”。结果表明,本文提出的图像和视频超分辨率算法可以较好的提高图像和视频连续帧的质量和性能。