视频超分辨率重建是一种根据低分辨率视频恢复高分辨率视频的技术。视频超分辨率技术是计算机视觉领域中的经典和热点研究内容之一。视频超分辨率重建旨在利用视频帧序列的时空相关性生成精度高,且感知质量好的高分辨率视频。本论文重点围绕基于深度学习方法提高视频的感知质量问题展开研究。在深入研究先进的基于深度学习的视频超分辨率方法的基础上,提出了一个新的光流补偿结合多特征鉴别生成对抗网络OFC-MFGAN,并将其应用于视频超分辨率重建,有效地提高了重建视频的感知质量。考虑到不同视频帧侧重表达的特征不同,提出引入空时特征增强模块的视频超分辨率方法EOFC-MFGAN,进一步强化视频帧中特征丰富的区域,提升重建视频的感知质量。本文的主要工作体现在以下三个方面:（1）学习并研究了经典和先进的图像及视频超分辨率方法,并数值实现,分析对比了几种有代表性的图像及视频超分辨率方法。阐述了基于深度学习的超分辨率算法流程及框架分类。指出视频超分辨率质量提高具有重要的应用需求。（2）提出一个新的光流补偿结合多特征鉴别生成对抗网络的端到端视频超分辨率网络框架OFC-MFGAN。该框架包括光流估计补偿网络和多特征鉴别生成对抗网络。光流估计补偿网络利用相邻视频帧之间的短时连续和内容相似性特性为多特征鉴别生成对抗网络提供丰富有效的细节信息。生成器与包括像素、边缘、灰度和颜色鉴别器的多特征鉴别器对抗训练促使超分辨率帧与高分辨率帧的像素、边缘、纹理和颜色趋于一致。大量公共数据集和监控视频数据的实验结果表明,OFC-MFGAN方法不仅能够有效提高视频超分辨率结果的像素精度,恢复出突出的边缘,清晰的纹理以及真实的颜色,而且视觉感受愉快,感知指标有竞争力。（3）提出引入空时特征增强模块的视频超分辨率方法EOFC-MFGAN。空时特征增强模块能够兼顾不同视频帧所侧重表达的特征信息,自适应地增强特征丰富的区域,抑制冗余特征。实验结果表明,强化特征丰富的区域有利于提升重建视频的感知质量。