近年来,随着计算机视觉领域技术的不断突破与创新,在图像信息利用越来越多元化的背景下,视频预测成为当下深度学习研究的一个热点方向。视频预测技术以给出的图像信息为基础,通过构建一个可以精准建模视频内容和动态变化的内部表征模型预测未来视频帧,并应用于机器人、自动驾驶汽车和无人机提前决策等多个场景。针对于当前大多数视频预测技术对于时间信息提取的不足,导致连续帧出现的动作伪影以及动作模糊的难点,本文基于现实的视频预测的功能需求,通过基于变分自编码器的方法,加入显式的帧间光流特征来达成更好的预测效果,改善生成质量。具体研究内容以及工作如下:首先,本文在现有图像信息提取技术的基础上,针对不同场景的图像内容设计编/解码网络,同时加入了长短跳跃连接用于建模视频预测中保持不变的静态背景。通过设计的不同编/解码网络在不同数据集上进行实验并作出横向与纵向的对比,确定分别合适不同场景与特点数据集的编/解码网络用于处理图像特征,使本文方法更加具有普遍适用性。通过更好的图像表征也提高了预测帧的生成质量。同时,本文在变分自编码器的基础之上,使用长短期记忆网络实现未来帧的预测工作,为解决视频帧中时间短而运动大的运动模糊的问题,本文将光流特征用于对图像运动信息的建模之中。为解决光流特征参与网络训练不充分的问题上,提出光流信息的直接融合方法,将光流所代表的运动信息来引导后续帧的生成,改善预测后续帧中伪影的问题。实验表明,加入该光流信息模块的模型在生成质量上得到了提高。最后,在现实工业应用中,设计并实现了熊猫短视频创作平台。在此算法基础上,本文将模型迁移至大熊猫视频预测的功能实现中,进行了熊猫数据集的设计与制作,完成了模型的训练与优化,最终实现视频预测功能。通过熊猫资源库系统的建立,用户可以获得大量的熊猫资源用于短视频生成这一功能,并且根据文娱创作的需要,在此基础功能上,提供了视频动漫化以及长时间视频预测的功能。多种应用功能的实现使得该方法在具体应用领域表现出更好的效用以及价值。