随着现代科技的不断进步,越来越多的高分辨率显示设备进入到日常生活中,人们对高分辨率视频资源的需求也不断增加,但是现实生活中高分辨率视频资源却是相对匮乏的。视频超分辨率算法旨在将低分辨率视频转换为高分辨率视频,能够以较低的成本来解决高分辨率视频资源缺乏的问题,所以对视频超分辨率算法的研究显得非常有意义。但目前相关算法仍然存在一些不足之处,例如,目前的算法通常通过光流估计来对视频帧间进行显式运动补偿作为预处理步骤,该类算法通常对于光流估计和运动补偿的准确性依赖较高,并且这样的预处理模块会带来较大的参数量。为了解决这些不足之处,我们进行了相关研究并从是否进行显式运动补偿两方面提出了相应的改进方法,主要的工作内容及成果包含以下几个方面:（1）目前基于光流估计的显式运动补偿视频超分辨率算法主要通过低分辨率光流来提供视频帧间亚像素级的位置对应关系,这样的做法容易导致运动补偿的准确性不够高,进而使得重建出来的视频序列中出现伪像。我们提出一种基于高分辨率光流的显式运动补偿方法,即从低分辨率视频序列中预测得到高分辨率光流,在获得更加精细光流的同时对光流进行超分辨率处理以提高光流估计和运动补偿的准确性。经过实验验证我们所提出的基于高分辨率光流估计的显式运动补偿视频超分辨率算法较同类算法在客观评价指标和主观视觉效果上都有较大的提升。（2）针对显式运动补偿过程严重依赖于光流估计和运动补偿准确性的不足之处,我们提出了一种基于3D卷积神经网络的非显式运动补偿视频超分辨率算法。首先通过多尺度时空特征融合网络来对视频帧间的时空特征进行学习以避免显式运动补偿,其中在特征融合过程中我们将现有的亚像素卷积层扩展成3D亚像素卷积层以用于对不同尺度之间的时空特征进行融合,然后通过重建网络对视频序列中的目标帧进行超分辨率处理。（3）为了使得重建生成的高分辨率视频序列具有更加丰富的图像细节信息,我们在所提出的非显式运动补偿视频超分辨率算法中设计了一种细节提升网络用于对重建出来的高分辨率视频序列进一步处理。该网络与多尺度时空特征融合网络和重建网络构成了端到端的视频超分辨率框架。经过实验证明所提出的基于3D卷积神经网络的非显式运动补偿视频超分辨率算法较同类算法在客观评价指标和主观视觉效果上都有较大的提升。（4）为了在保留输入低分辨率视频序列中低频信息的同时高效地恢复出高频细节,我们在所提出的基于高分辨率光流估计的显式运动补偿视频超分辨率算法和基于3D卷积神经网络的非显式运动补偿视频超分辨率算法中都使用了全局残差学习和局部残差学习策略。经过实验验证,这样的设置使得我们的算法性能更好且更加高效。