视频服务近些年来在互联网以及移动互联网的流量占比逐年增加,用户人数也呈现增长趋势。用户对视频服务需求的提升推动了新一代,高质量视频标准以及视频技术的产生与发展。超高清（Ultra High Definition,UHD）视频,特别是其中的高动态范围（High Dynamic Range,HDR）视频,是近些年来视频技术发展的重要方向之一。随着HDR视频显示技术,以及HDR视频传输技术的成熟,HDR视频资源数目较少,以及HDR视频制作难度较大的问题成为了限制了HDR视频进一步发展的瓶颈。本文基于当前最新的HDR视频的标准,技术参数,以及通用制作流程,重点研究了HDR制作技术中的逆色调映射技术。逆色调映射技术是将标准动态范围（Standard Dynamic Range,SDR）图像或视频转换为对应的HDR图像与视频的技术。由于逆色调映射技术以SDR图像与视频作为输入,因此可以充分利用现有的大量SDR图像与视频,以增加HDR资源的数量;逆色调映射技术也可以应用在现有的拍摄技术中,以利用常规的拍摄设备得到HDR图像与视频。逆色调映射技术提供了一种高效,便捷的HDR制作方法。随着深度学习算法的发展,基于深度学习的逆色调映射算法是近年来的研究热点。基于深度学习的逆色调映射算法,相较于非深度学习算法,在效果与泛用性上都有较大提升,但是现有的基于深度学习的算法仍然存在以下问题:算法通常针对图像进行设计,直接应用到视频上面时,通常会产生闪烁现象;算法通常针对正常曝光度下的图像与视频进行设计,无法应用到非正常曝光度的图像与视频;算法通常会产生色偏。为了解决基于深度学习的逆色调映射算法在视频上产生的闪烁现象,本文提出了一种基于三维卷积神经网络的视频逆色调映射算法,以及一种基于标准HDR10视频的数据集制作方法。模型训练过程中,使用了针对逆色调映射问题提出的数据预处理方法,并使用了包含了均方差损失,本征损失,以及感知损失的损失函数。在保证了生成的HDR视频视觉效果的基础上,也消除了闪烁现象。与其他典型的逆色调映射算法相比,本文提出的算法在视觉效果上有较大提升,并且在客观评价指标上也有更高的评分。通过必要性实验的验证,本文提出的损失函数与数据预处理方法也被证明有效。为了解决现有逆色调映射算法无法处理非正常曝光度输入的问题,以及解决色偏问题,我们综合考虑了视频文件的数据特点,亮度与颜色的理论基础,亮度均衡化方法,以及颜色校正方法,在前述视频逆色调映射算法的基础上,进一步提出了一种采用了亮度与颜色校正的视频逆色调映射方法,以及一种基于颜色校正的数据集制作方法。算法的特点主要体现在亮度与颜色信息的分离处理,我们在(4(1颜色空间下对视频的亮度信息与颜色信息分别进行预处理,并使用两个三维卷积神经网络分别处理视频的亮度信息以及颜色信息。与其他典型逆色调映射算法对比,本文提出的算法能够处理多种不同曝光度的输入,并且在客观评价指标,以及颜色准确度上均有提升。通过必要性实验,我们验证了数据预处理方法,以及亮度与颜色信息分别处理的有效性。