视频插帧以视频中连续帧作为输入,利用输入帧的信息预测合成中间帧,从而生成帧率更高,画面更加连贯的视频。作为计算机视觉的热点研究方向之一,视频插帧在视频帧率转换,视频压缩传输,慢动作回放等领域有着广泛的应用。由于存在遮挡、运动模糊、大尺度运动等复杂情况,高质量的视频插帧任务面临极大的挑战。特别是真实场景中运动模式的复杂多变,使得进行准确的光流估计变得极为困难,因此,研究复杂运动模式下的视频插帧具有重要的理论意义和实用价值。本文针对现实场景中非均匀运动模式下的视频插帧算法展开研究。通过引入视频序列的全局光流,本文提出了基于多项式拟合优化和基于卷积LSTM学习优化两种优化策略,构建了基于全局优化光流的视频单帧插帧计算模型,并将基于全局优化光流的视频插帧算法应用到多帧插帧模型中,实现了低帧率视频的插帧增强。本文的主要研究工作总结如下:（1）提出了一种基于多项式拟合的全局优化光流的视频单帧插帧算法。考虑到相邻帧光流在非均匀运动估计上的局限性,本文引入整个视频序列的光流,并通过多项式拟合和残差增强优化全局光流序列,从而实现中间帧的光流预测,克服了非均匀运动模式下局部信息的局限性。该算法在UCF-101视频数据集上进行实验,相较于未采用全局优化光流的基网络,该算法将视频插帧结果的SSIM提高了0.0054,验证了引入全局光流的有效性,与Super-Slomo相比,该方法将插帧结果的SSIM提高了0.0308,与BMBC相比,该方法插帧结果的SSIM仅差0.0001。（2）提出了一种基于卷积LSTM的全局优化光流的视频单帧插帧算法。受卷积循环神经网络的启发,使用深度学习的方法来进行全局光流优化。本文提出基于卷积LSTM网络的全局光流预测模块,通过学习进行中间帧的光流预测,为插帧图像提供更好的光流估计。该算法在UCF-101视频数据集上进行实验,相较于基网络,本文将视频插帧结果的PSNR提高了0.05db,SSIM提高了0.0069,相较于第一个研究工作（基于多项式拟合的全局优化光流）,该方法将插帧结果的PSNR提高了0.08db,SSIM提高了0.0015,但网络参数增加了0.6倍,处理每帧图像消耗的时间增加了1倍,与Super-Slomo相比,该方法将插帧结果的PSNR提高了1.02db,SSIM提高了0.0323,与BMBC相比,该方法将插帧结果的SSIM提高了0.0014,PSNR相差0.02db。（3）针对低帧率视频,结合上述两种算法,实现了基于全局优化光流的视频多帧插帧算法。该算法引入时间信息,将时间信息t和全局光流预测模块进行融合,以实现任意时刻t上的插帧,通过同时对不同时刻t进行视频插帧来实现两帧之间的多帧插帧。该算法在UCF-101视频数据集上进行了实验,相较于基网络,基于卷积LSTM的视频多帧插帧算法将视频插帧结果的PSNR提高了0.04db,SSIM提高了0.0089。基于多项式拟合的视频多帧插帧算法将视频插帧结果的SSIM提高了0.0013。通过实验验证了两种算法在视频多帧插帧的可行性,与Super-Slomo相比,两种算法分别将视频插帧结果的PSNR提高了1.05db和1.14db,与BMBC相比,基于卷积LSTM的算法将插帧结果的SSIM提高了0.0043。