视频超分辨率重建技术作为近年来计算机视觉领域快速兴起的任务,其目的是利用深度学习算法从低分辨率（Low Resolution,LR）视频帧和与其相邻的多个视频帧中重建出逼真的高分辨率（High Resolution,HR）视频帧。已有的研究方法主要从光流估计和可变形卷积两个方面来获取并补充帧与帧之间的运动信息,然而这些方法有的存在参数量大不易训练的问题,有的存在对齐不佳导致重建效果不理想的问题。为解决上述问题,本文首先对轻量级的视频超分辨率重建算法进行研究;然后探究了自校准对齐的视频超分辨率重建算法;最后研究了参考帧与相邻帧之间的最优匹配,对基于优化匹配的视频超分辨率重建算法进行了深入研究,主要贡献如下:（1）从模型参数量少的角度出发,本文开发出一种轻量级的注意力机制以探索参考帧与相邻帧之间的全局对应关系。首先在不增加参数量的情况下通过共享特征抽取层有效提取多尺度语义信息,然后用轻量级注意力约束对齐网络捕获参考帧中每个像素沿极轴方向的所有差异信息,最后将参考帧的时域对齐特征和原始低分辨率帧在不同阶段的空间特征进行融合。实验结果表明本算法在两个基准数据集Vid4和REDS4上都达到领先水平,并在相同的指标下,本文模型参数远小于对比方法。（2）为探索参考帧的空间信息和来自相邻帧的时间信息,本文提出了一种通用的逐帧动态融合模块来将时间信息完全聚合到参考帧中的算法。首先设计了一个自校准可变形对齐模块对参考帧与相邻帧之间运动偏移量进行预测。然后将每个相邻帧的对齐特征馈送到动态融合模块以进行时间信息融合。最后,将包含空间和时间信息的参考特征发送到超分辨率重建模块。三个基准数据集Vid4、SPMC-11和Vimeo-90K-T的实验结果展示了该算法在视频超分辨率方面的优越性。（3）针对可变形卷积存在的局限性,本文将最优传输理论加以改进并应用到视频超分辨率重建中,提出了一个新颖的最优匹配网络。首先用残差空洞空间金字塔池化模块探索图像间的自相似性,然后提出了一种高效地交错稀疏最优匹配网络,通过在跨帧的图像中学习最优匹配实现特征层面的对齐。另外,还设计了一个双向时间融合模块充分融合对齐特征。最后,为了输出高分辨率重构帧,利用融合的时空特征作为输入生成两个调制参数,用于调制帧级动态重构子网络中的特征映射。实验结果表明该算法在三个基准数据集Vid4、REDS4和Vimeo-90K-T上都达到了领先水平。