近年来,各类具备拍摄功能的消费电子产品的使用日益广泛,高清、全高清电视逐步普及,监控网络逐渐铺开,用户对高清晰度视频的需求相应提高。与此同时,随着科技的发展,高清显示设备也被研制出来以为人们提供更好的视觉感受。针对视频源分辨率不足的问题(大多受到压缩),超分辨率技术利用信号处理的方式有效提升视频的有效分辨率,迎合了人们对高清晰度视频的需求,可以广泛应用于数字电视、网络视频、安防等行业。论文阐述了压缩视频超分辨率技术的研究背景和意义,总结了相关技术的研究现状及该领域亟待解决的难题,并介绍了超分辨率重构过程中需采用的几项重要技术与方法。论文分析了传统视频超分辨率参数化模型中未考虑相邻视频帧间因遮挡、边界溢出形成的非公共内容的缺陷,以参数化因子公共标记矩阵标注非公共内容并排除其引入的错误参考信息,由此提出改进的视频超分辨率参数化模型并设计了基于运动关系分析的公共标记矩阵求取方法。基于改进模型,在最大后验概率(MAP)准则下构建了超分辨率重构对应的最优化问题,并结合迭代重加权最小二乘法(IRLS)加以求解。介绍了求解过程中大型矩阵运算的实现方法。实验证明,改进模型指导下的MAP视频超分辨率算法在遮挡出现的物体边缘、图像边界具有很好的重构效果,有效地避免了错误参考引入产生的重构错误。针对实际视频源中的各参量均为未知的问题,论文提出了基于改进模型的混合MAP视频超分辨率算法。在获得公共标记矩阵后,算法将变形矩阵、模糊核等未知参量与超分辨率图像的联合估计置于统一的混合MAP框架中,利用交替迭代最优化获取各参量的准确估计；经过对IRLS方法求解最优化问题收敛性的分析,提出了基于数字图像特性的改进IRLS迭代权重更新机制,对数值求解的收敛速度加以提升。引入了数据保真性约束函数,对重构结果进行进一步改进。实验结果证明,论文提出的视频超分辨率算法能获得准确的未知参量估计,实现各类测试序列的超分辨率重构,并能在不同放大倍数下均取得较为理想的结果。针对压缩视频源中存在量化噪声的问题,论文提出了量化噪声去除与超分辨率重构循环交替进行的联合估计算法框架。实验证明,论文所提出的压缩视频超分辨率算法能在有效消除视频中的量化噪声的同时进一步提升视频画面的有效分辨率。