网络日益普及,视频已被广泛应用于传播信息,视频通信设备潜移默化地进入人们的生活中。然而,视频通信设备的存储和处理能力有限,难以容纳大量的视频数据,以及获取的视频资源有限,导致视频无法流畅播放,与此同时,由于网络信息技术发展迅速,当前视频的清晰度、流畅度已无法满足人们的视觉需求,因此,如何提高视频质量成为研究的重点。为了实时提供高质量视频,视频通信设备通常在传输视频时,先通过丢帧的方式降低视频帧率,然后在视频接收端利用帧率提升技术重构丢失的视频帧,该技术可有效改善传输视频的质量,由此,帧率提升技术在多媒体行业被广泛应用。为了产生高质量的视频,本文在帧率提升技术相关理论基础上,致力于提高帧率提升技术中运动估计的精度,提取了视觉特征,从而改善视频质量。本文具体研究内容如下:（1）提出基于上下文立方特征的运动补偿帧率提升算法。该算法利用提取的上下文立方特征执行双向上下文立方匹配,估计出内插帧的运动向量,进而实施运动补偿插值,获得内插帧。与传统算法相比,该算法可提供良好的主客观视觉效果。（2）提出基于上下文统计特征的运动补偿帧率提升算法。该算法在上下文立方特征的基础上,进一步提取上下文统计特征,即利用期望或偏度表示参考帧的特征,将提取的上下文统计特征与原始帧相融合,进而实现双向上下文统计特征匹配,生成中间帧的运动向量场。该算法可有效降低时间复杂度,对于大多数视频序列,该算法产生的内插帧质量均优于基于上下文立方特征的运动补偿帧率提升算法。（3）为了进一步比较人工与机器视觉特征的性能,提出基于机器视觉特征的运动补偿帧率提升算法。该算法利用训练的神经网络AlexNet提取各参考帧的特征,并将提取的特征与原始参考帧结合,实施双向AlexNet特征匹配,获得内插帧的运动向量。实验结果表明,与传统运动补偿帧率提升算法相比,该算法一定程度上可改善内插帧质量,并将提出的人工视觉特征与AlexNet机器视觉特征相比,可知,基于AlexNet的机器视觉特征与提出的人工视觉特征性能相近,从而说明提出的人工视觉特征具有一定竞争力。