视频时序性是视频帧序列区别于图像的一个重要特征,常视为图像级算法到视频级算法的桥梁,以提高视频算法的性能和效果。当前互联网发展,短视频成为了信息传播的主流途径,为了让用户获得更好的视觉体验,一些基于视频的处理算法越来越收到关注。基于深度神经网络的图像处理算法层出不穷,而视频的处理方式则相对简单,之前的方法没有很好的利用视频中的时序性,简单地将图像处理方法直接拓展到视频域中会带来帧闪烁问题;其次,由于精确的时序信息地提取较为困难,直接将时序特征简单的堆叠到网络中所能提升的效果不明显。区别于图像域,视频域最主要的特征在于其时序性,而作为直接刻画时序特征的光流则是被看作视频处理中最基本的信息。本文以基于光流特征的视频时序增强研究与应用为课题,从更合理的角度对时序信息进行利用和增强,在视频一致性学习任务、无监督视频目标分割任务中进行了深入的研究,其贡献如下:一、本文针对视频一致性学习问题提出了一种基于时序去噪掩码的自适应时序一致增强网络（TDMSNet）。该算法能够将学习到的时序特征利用起来缓解由于逐帧处理方法所带来的闪烁问题。首先,本研究在分析总结了现有算法的基础上,从时序维度中的去噪角度来看待时序增强的问题;提出使用对偶光流特征、运动掩码特征、精炼掩码特征来进行视频的时序性增强以及利用。该模型不受限于预处理的图像级方法,可以泛化到未见过的帧处理序列中,最终在16种不同方式逐帧处理数据集上较之前方法取得较大提升。二、本文针对无监督视频目标分割任务,提出了一种基于修复光流的非监督视频物体的分割方法（FEMNet）。为了进一步提升非监督视频物体的分割的精度,首先我们将光流特征输入到了光流增强自网络中,该网络以图像边界信息为监督,旨在锐化光流特征,缓解其边界模糊的问题。然后我们将增强后的光流特征以及图像本身特征输入到运动注意力以提取之间的互信息,最终在DAVIS-16、FBMS两个数据集上较之前方法取得较大提升。