数字图像和视频被广泛的应用在实际生活中。图像和视频信号通过采集、编码、传输、解码最终到达人们的手中。在这些过程中,信号主要会遭受两种损失,信源编码带来的量化损失和信道噪声带来的信源损失。为了得到优质的图像和视频,增强类算法应运而生,比如超分辨算法、细节增强算法、微光视频去噪算法。它们分别属于分辨率的增强算法、纹理的增强算法、画质的增强算法。本文主要研究了这三大类算法,并利用统计学习的知识提出了新的模型。超分辨算法是分辨率增强的算法。在本小节中,图像的自相似模型以及基于自相似模型的图像超分辨算法被提出。模型从两个方面被优化,得到了两种算法,算法一使得原模型速度更快,算法二使得原模型量化测试指标更高,它们分别被命名为本位相似性和选择相似性。基于本位相似性的算法将原来的模型提速了将近93%,却在质量评价指标上保持着非常小的损失。基于选择相似性的算法刷新了原模型的质量评价指标,在亚像素精度域实现了图像的自相似模型。自相似模型的缺陷,也就是面元噪声被发现,若干解决方案被提出。这些算法被融合,基于细粒度相似性的超分辨算法被提出,该算法不仅有着较快的速度,在性能上也超过了很多基于样本学习的超分辨算法。细节增强算法是纹理增强类的算法。在本文中,三种细节细节增强算法被提出,它们分别是基于残差学习的细节增强算法、基于大都市定理的细节增强算法、基于泰勒级数分析的细节增强算法。在第一种算法中,图像的残差同质特性首先被理论证明,依据此理论,基于残差同质性的快速搜索算法被提出。在第二种算法中,热力学中寻找内能最低点的定理,也就是大都市定理,被用来寻找搜索过程中的全局最优解,使得程序以很大概率跳出了局部极小值点。另外,非等概率的匹配方式被提出,使得系统能用更快的时间找到匹配的图像块。在第三种算法中,信号的泰勒分解理论被用来得到图像的残差层,信息熵的理论被用来融合这些残差层。该算法在内窥镜图像的增强方面,有着优秀的效果。微光视频的去噪算法是重要的画质增强算法。在本文中,两种微光去噪算法被提出,它们分别是基于运动连续性的微光视频去噪算法和芯片级基于跟踪的微光视频去噪算法。这两种算法均是先设法获得粗糙的运动矢量场,然后细化纠正运动矢量场,最后基于合理的矢量场进行去噪。在第一种算法中,幅值相位滤波器和合理值矩阵被提出,它们可以纠正运动矢量场分布的不和谐。在第二种算法中,抖动矢量表,动量矢量,差错方程等概念被提出,它们被用来优化矢量场的分布。第二种算法经过硬件调优后得以在芯片上实现,有着一定的商用价值。两种算法在视频测试集上均取得了不错的成绩,有着一定的理论价值。