图像或视频的超分辨率算法在诸如医疗、视频监控、多媒体娱乐等领域均有着十分重要的应用场景和价值,因此一直是学术界的一个研究热点。但是,现有的一些图像或视频超分辨算法均需要大量的训练样本对来训练网络,这一过程需要消耗大量的时间和计算资源。本文以此为切入点,探究在零样本条件下,通过卷积神经网络来学习图像的内部特征,从而完成超分辨率任务。本文的主要研究工作如下:目前,现有的深度学习方法大多为需要大量数据作为监督信息,我们利用图像在经过多次插值后,质量降低的特点,提出一种在零样本条件下生成训练数据的方式,使用多层全卷积神经网络增强网络的表达能力,并通过残差连接结构更好地利用图像的高频信息,最终完成图像超分辨率任务。实验证明相较于传统的双立方插值方式,在Set14数据集和Videoset4数据集上不同的放大倍数下,PSNR平均有0.21db以上的提升,SSIM指标均有0.0165以上的提升。同时对比了SRCNN与ESPCN网络效果,在放大倍数为2、3时,达到了更优的效果,而在放大倍数为4时,则略弱于这两种对比算法,说明此时外部数据的统计特性对于映射关系学习更为重要。针对视频图像的时空特性,为使用视频图像的帧间冗余信息,我们将上述方法进一步扩展到多帧零样本视频超分辨率任务之中。通过引入自适应运动补偿策略来进行数据的预处理,从而降低相邻帧错误配准,更好地利用帧间高频信息。之后将预处理后的多帧相邻图像通过网络进行特征提取后,采用早融合的方式完成特征融合,并最终完成对目标帧的超分辨率重建,相较于本文的单帧图像超分辨率算法,在不同的放大倍率下,PSNR平均有0.24db以上提升,SSIM平均有0.0066以上提升,同时实验发现在放大倍数为3、4时,效果更加明显。为解决传统光流估计算法实现运动估计和自适应运动补偿所带来的人工伪影和畸变等问题,引入深度学习的方式,结合VESPCN中的运动估计模块,更加高效地来完成端到端的光流估计学习与运动图像补偿,对上一部分进行改进,从而提升预处理的速度和超分辨率重建的效果。实验验证了通过网络所获取到的运动补偿图像更加的准确,从而在PSNR和SSIM上均有不同程度的提升。