视频预测技术即给定若干长度的连续视频帧,预测后续视频帧,是计算机视觉领域的重要课题之一。视频序列中的复杂运动以及大量的空间信息给视频预测带来了很大的挑战。一方面,传统的循环卷积操作难以提取复杂的时空变化特征;另一方面,在长时间视频预测任务中,预测帧的空间细节难以保留。导致预测帧内主要对象的动态轨迹和静态细节失真。本文就广泛使用的卷积长短时记忆网络(Conv LSTM)模型分析可能导致该问题的原因,并提出更有优势的视频预测模型,以提高预测的精度。针对传统视频预测模型难以表征时变特征的问题,本文考虑利用更加灵活高效的特征提取方式,以提高门限函数对时变信息的拟合能力。本文提出了一种基于自适应LSTM的视频预测模型。在传统的卷积LSTM架构的基础上,用可变卷积替换卷积LSTM中与隐变量有关的传统卷积操作,实现隐状态与输入的信息对齐,提高细胞状态更新的精确度;并在经典的L2损失函数的基础上加入像素梯度损失,缓解L2损失带来的视频帧模糊问题。在Moving MNIST数据集上的实验表明,通过可变卷积提取时变特征,可以提高细胞状态更新精度,进而提升模型的长时间动态预测能力。针对视频预测模型中难以保持空间细节,造成图像失真的问题,本文在自适应LSTM的基础上加入了用于保留空间信息的空间细胞状态,在不产生过拟合情况下增加循环单元内的参数量以适当提高预测模型的拟合能力,且空间细胞状态与时间关联性不高,更侧重于提取和保留空间细节。此外,根据多尺度自编码器结构对空间信息的流向进行微调,使之能够与隐藏层同时在不同单元层流通。在SRAD2018和Moving MNIST两种数据集上的实验结果表明,额外增加对时间不敏感的空间参数,可以提升模型对空间信息的提取和保留能力,进而有效提升预测帧的清晰度。