随着信息技术与通讯技术的蓬勃发展,视频作为一种新兴的信息载体越来越受到人民群众的重视。由于成像设备与运输条件的不足,显示端的视频往往存在着分辨率低、质量差的缺陷。因此,能从低分辨率视频序列帧中恢复高分辨率视频帧的视频超分辨率（Video Super Resolution）成为了近几年的一个蓬勃发展的研究主题。而从视频超分辨率的普遍的两种不同评价指标（即重建精度和视觉感知）的角度出发,视频超分辨率可按照评价指标重建精度和视觉感知分为两类方法,即基于重建精度和基于视觉感知的方法。基于重建精度的方法往往会通过增加深度学习网络的深度和宽度来提高重建视频的精度,但这样往往会导致网络的复杂度增加,从而导致算法的实际应用困难。基于视觉感知的方法则使用生成式对抗网络生成符合人体视觉感知的视频,但这样会导致在重建视频帧中引入大量噪声,导致重建精度大幅度降低。基于以上分析,为了生成更高质量的视频超分辨率结果,本文对现有视频超分辨率方法进行研究,并进一步提出改进方法,提出了两个基于超卷积对齐的视频超分辨率方法。本文的贡献如下:（1）针对基于重建精度方法中计算复杂度高的问题,本文提出了基于超卷积对齐的递归视频超分辨率方法,以流式处理输入的递归网络框架拥有的低延迟优势以及优越性能在视频超分辨率中有极大的优势;为了更好地利用过去帧中的时间信息,本文提出了一种新的基于超卷积对齐的高维特征对齐方法,该方法帮助实现了高效且精确的视频超分辨率性能;此外,本文还在多个先前的隐状态和当前的低分辨率输入之间引入密集连接,以便更有效地传播过去隐状态的时间信息。实验表明,提出的算法降低复杂度的同时取得了更好的重建精度。（2）针对基于视觉感知方法中重建精度差的问题,本文提出了基于超卷积对齐的指导式对偶网络的视频超分辨率方法。为了追求视觉感知和重建精度的良好均衡,该算法模型引入目前有利于生成符合人眼感知的视觉图像的生成式对抗网络和高重建精度的视频超分辨率网络组成对偶网络,以生成具有良好视觉感知同时保持重建精度的高质量视频序列。与主流的视频超分辨率方法相比,以上两个工作实现了重建精度高同时计算复杂度低、视觉感知高且重建精度高的均衡,相应的实验也验证了所提出方法的有效性。本文针对真实场景痛点,提出的两个算法分别兼顾了模型规模与模型精度、重建视觉感知性能与重建精度,对于实际工业有一定研究意义。