分辨率是一种用来衡量影像清晰度的概念。高分辨率的影像能够展现出更多的细节纹理,提升影像的质量和观感。为了满足获取高分辨率影像的需求,超分辨率算法被广泛且成功地应用在多个领域当中。目前,基于深度学习技术的超分辨率算法能够在有限的硬件设备条件下提高影像的分辨率。视频序列作为多个按时间顺序排列的图像帧,如何挖掘其中蕴含的丰富特征信息显得尤为关键。多帧视频的特征信息主要包括单个视频帧本身的空间信息,以及该视频帧相邻的其他帧的时空信息。采用合理的方式有效融合多个不同方面提取的特征信息来重建视频帧,能够大幅提升超分辨率算法的重建性能。对此,本文对视频超分辨率算法中的多帧信息融合过程进行研究,并开展了以下工作:（1）本文提出了一种基于双分支信息融合网络的视频超分辨率方法。首先,为了提取视频前后帧的有效信息,本文提出了一种具有递减的多空洞卷积单元的可变形卷积,用以取代利用光流估计进行视频帧对齐的过程,从而避免由于光流估计不准确而导致较差的重建效果。其次,本文设计了一种具有两个分支的深度神经网络结构,由局部融合模块和全局融合模块组成,以结合来自两个不同方面的信息。具体来说,局部融合模块侧重于维持相邻视频帧之间的关联关系并使得重建的视频帧之间保持时间一致性,而全局融合模块则尝试通过在全局范围内利用所有视频帧的相关特征来进行信息恢复。最终,特征结果将包含两种不同融合方式的信息,以充分利用多层面的特征进行超分辨率恢复。（2）本文提出了一种基于局部双向信息融合网络的视频超分辨率方法。具体来说,为了利用多视频帧丰富的时空信息,采用局部双向传播的方式在滑动窗口内将特征信息通过前向和后向往中间帧传递。双向时序信息的融合能够有效提升视频帧的恢复效果。此外,两个不同方向的时空特征通过循环神经网络以状态信息的方式传递,设计的状态激励模块将有效的时空特征吸纳进状态信息中,同时抑制无关的噪声干扰。将网络模型同时在模拟数据集和真实数据集上进行实验,以验证模型的重建能力和应对多种复杂退化模式的泛化能力。与主流方法进行对比的结果表明所提出的方法不仅能够取得优越的恢复性能,还保持了模型的高效性。