人类处理的大部分信息来源于视觉获得的图像信息,图像信息也在人类生产生活的各方面都有着重要作用。分辨率较低的图像存在模糊、质量低下和主观感觉差等问题,为了提高图像的质量,超分辨率技术被提出且不断发展,目前在日常娱乐、公共监控、卫星成像、医学图像处理等多个领域中都发挥着至关重要的作用。神经网络目前发展迅速,且在图像处理任务中广泛使用。基于神经网络的超分辨率技术通过学习大量的高低分辨率对,能够为待重建图像补充足够的细节信息,因此有着非常好的性能表现。但是在图像超分辨率重建中,高性能的网络结构都存在结构复杂、参数量多等问题,只能在特定的有充足计算资源的情况下使用。在视频超分辨率重建中,网络结构没有利用到图像算法的先验信息,且单一网络结构庞大、缺少灵活性。针对这些问题,本文开展了相关研究。本文研究了基于神经网络的图像超分辨率算法,提出了一个轻量级神经网络,可以使用较少资源完成高质量的重建。主要研究内容包括:(1)研究在参数量和计算量不变的前提下,如何提高残差模块的性能。(2)研究如何引入通道注意力机制,并做出相应的改进。(3)研究密集连接和残差连接,并提出了更高效率的网络连接结构。在实验中,本文分析了改进前后的残差模块和注意力模块,对比了所提网络结构与常见连接结构的性能,验证了各部分改进的可行性和有效性。在与其他算法的比较中也证明了所提轻量级网络的优异性能。本文针对混合分辨率视频——由少量高分辨率帧和大量低分辨率帧交替组成的视频序列,提出了一个可以使用图像超分辨率算法的视频超分辨率框架。主要的研究重点包括:(1)研究在不改变图像超分辨率算法的前提下,如何将图像算法结合到混合分辨率视频超分辨率任务中。(2)研究如何高效利用混合分辨率视频中的高分辨率帧的信息对目标帧进行信息补偿,使之有更高的重建质量。本文通过实验,验证了所提框架和信息补偿网络的合理性,并分析了所提框架的灵活性。通过与其他算法的对比,证明了所提框架能够有效处理混合分辨率视频的重建任务。