当前单图像和视频的超分辨率算法广泛应用在诸如医疗影像、视频监控与安全、遥感等领域,且有着举足轻重的应用场合和价值,因此一直是学术的研究重点。本文利用这些年图像视频处理方面取得巨大成就的深度学习技术,结合深度学习方法实现了对单图像和视频的超分辨率重建任务,研究内容主要包括以下几个方面:（1）针对目前主流算法中网络结构越来越深导致重建精度和速度都达不到兼顾得到效果,本文提出了残差网络与目标检测RFB相结合的轻量型单图像超分辨率重建结构。网络可以更深层次提取图像更丰富、细节的特性信息。研究表明,RFB网络中的空洞卷积是捕获图像增大感受野的一种有效方式,而残差网络可以有效处理网络模型中梯度消失和爆炸问题。在图像重建模块,通过嵌入亚像素卷积来对通道进行像素重排,亚像素卷积与转置卷积相比较,最大的优势在于神经元的感受野大,可以给超分辨率重建模块提供更丰富的上下文信息,得到更好的重建结果。（2）针对大多数视频超分辨率方法严重依赖于运动估计和补偿的准确性,为解决严重依赖于运动补偿而带来的人工伪影等问题,本文提出了一种新的端到端的深度神经网络,它能通过隐式地动态上采样滤波器和残差网络来生成重建帧,并根据每个像素的局部时空邻域进行计算,以避免显式的运动补偿。利用本文提出的方法,采用动态上采样滤波器直接从输入图像中重建一个HR图像,并添加到通过图像超分重建中RFB残差网络结构计算出的细节中,有效利用帧间的时序信息,从而进行特征融合效果更佳,实现目标帧的超分辨率重建。与之前的方法相比,本文的网络借助一种新的增强技术,能够重建出更加清晰的具有时间一致性的高分辨率视频。本文通过多组实验来验证网络的有效性,来显示网络进行隐式地处理运动。综上所述,对于图像超分辨率从单图像和视频两个方面进行研究,把两种模型可以实际应用到遥感医学领域,具有很好的实际应用价值。