图像、视频等多媒体内容极大丰富了人们的生活娱乐体验,然而广泛传播的互联网内容受采集设备,网络带宽等因素的限制,仍有大部分图像和视频分辨率低且质量较差,难以适应当前人们对图像清晰度的更高要求。超分辨技术可以通过算法处理恢复低分辨率图像和视频缺失的细节信息,生成视觉效果更好的高分辨率图像和视频,因此成为了研究热点。现有基于深度学习的超分辨方法都依赖于外部数据集上的训练过程,且绝大多数用于训练的低分辨率图像,都由理想退化模型即双三次下采样得到,并未考虑真实场景下存在的模糊与噪声影响,造成这些方法在面对非理想条件下的图像或视频时性能急剧恶化。基于零样本学习的超分辨方法充分利用图像的自身信息,只借助待超分辨的图像本身进行训练,能适应多种退化模型下的超分辨问题,然而当前的零样本学习超分辨方法网络结构简单,先验信息不足,且难以直接应用于视频超分辨领域。针对以上问题,本文的主要研究内容如下:1.结合当前超分辨领域中神经网络结构设计的思想,提出了一种改进的零样本学习图像超分辨方法。利用派生卷积层、反卷积层以及残差连接设计了派生卷积残差块,并使用该模块和跳连接构建整体神经网络结构,使得网络模型更加适合零样本学习超分辨任务。引入符合人眼视觉特性的梯度信息,将低分辨率图像的梯度特征与该图共同作为输入,为神经网络提供更多有效的先验知识。同时为不同退化模型设计不同的损失函数,有针对性地训练网络,使模型的适用性更强。本文设计了多个对比实验分析网络结构,梯度先验以及损失函数的有效性。实验结果表明,本文提出的方法在客观指标与主观效果上都表现良好。2.结合图像超分辨方法的基础,将算法扩展到视频超分辨领域。大部分视频超分辨方法在超分辨时需要利用当前视频帧的前后信息,在实际应用中具有一定的局限性。本文定义了更加符合实际情况的超分辨视频模型,并在该模型的基础上提出了一种结合梯度特征以及运动特征的增量式训练视频超分辨方法,结合多个特征自适应判断视频帧是否需要加入训练,同时利用梯度细节构建了概率图来决定视频图像中的重点训练区域。针对视频超分辨场景改进了神经网络结构,在得到基础网络后,添加所设计的特征变换层对特征进行变换,并使用微调训练的策略更新特征变换层的参数,增强网络模型性能。通过实验分析,本文提出的方法取得了较好的视频超分辨效果。