21世纪多媒体技术的高速发展加速了高清显示器的普及,也使得人们对于作为重要信息载体的图像在实际生产应用场景中的质量要求越来越高。考虑到原始高清图像在获取和传输等过程中会经历不同程度的退化失真,如何从低质量的失真影像中抓取特征,获得高层视觉语言信息,最终生成细节纹理更为丰富的高质量影像,成为当前时代背景下的一个迫切需求,超分辨率重建技术在社会生产生活中的巨大应用价值与研究意义不言而喻。基于卷积神经网络的超分辨率重建技术有效的关键在于能否充分利用好时空域上的特征信息,本文围绕这一点展开研究。本文分析了现有模型存在的问题,提出了针对单帧超分辨率重建模型空域上特征提取与采样机制的改进,在此基础上,进一步提出了能处理视频时空域特征提取与融合的视频超分辨率重建方法,主要工作包含以下两个部分:（1）针对目前单帧图像超分辨率重建网络模型处理大倍率超分辨率重建任务时不合理的空域特征提取与采样映射机制,提出一种渐进式迭代反投影网络来实现高效率的上采样映射,具体为:采用更符合人眼视觉成像过程的迭代反投影单元,引入误差反馈机制;采用渐进式采样回避一次性大倍率上采样映射;采用密集连接机制促进网络间浅层信息的流动,并调整网络结构使密集连接的作用能得到充分发挥;采用亚像素重组层与其逆过程代替反卷积/卷积作为更高效快速的采样映射方法。实验结果展现了本文提出的模型针对大倍率超分辨率重建任务的优越性,以及它对于条纹等规律图案的强大恢复能力。（2）针对目前视频超分辨率重建网络模型对时域特征利用不充分的问题,设计一种双向时序操作的时域循环传播网络来加强对时空相关性的利用,具体为:采用类循环神经网络的机制,通过帧与帧之间时序状态信息的传递来代替传统模型中复杂的运动补偿环节;采用双向时序操作处理,提高输入视频帧间信息的利用效率;采用内容（1）中的渐进式采样机制回避一次性大倍率上采样映射;采用通道注意力机制实现通道级特征的缩放,提高特征融合的准确性。实验结果证明了本文提出的双向时域循环传播网络对于帧间时域信息利用效率的提高,以及对于视频超分辨率重建的优越性。