高动态范围(High Dynamic Range,即HDR)技术用于解决数字图像系统和真实世界在亮度动态范围上存在巨大差距的问题,在摄影、视频监控、真实感渲染等领域均有应用。目前针对HDR视频的研究的主要问题在于HDR视频合成需要考虑帧间运动和时域连续性,因此难以进行合成时的帧间配准与鬼影去除。然而,由于传统方法无法处理多曝光情况,从而造成不同曝光帧之间配准效果不佳,直接影响了许多HDR视频合成算法的性能效率表现。本文针对现有HDR视频算法存在的这些问题进行研究,从方法流程中缺失曝光帧重建这一关键步骤入手,尝试解决其中多曝光帧间配准这一关键问题,总结提出了新的基于卷积神经网络(Convolutional Neural Network,即CNN)的高效HDR视频合成方案。首先,本文提出了利用CNN进行多曝光运动估计的方法,通过配置网络提取和匹配多曝光运动特征,并在构建的多曝光光流数据集上进行端到端训练,使CNN模型能以较高精度预测获得不同曝光图像间的运动光流场。再者,在使用CNN解决多曝光运动估计问题的基础上,本文提出并设计了一套简单有效的流程框架方案来实现包括缺失曝光帧重建的整个HDR视频合成过程,在保证良好的合成效果的同时,通过简洁精练的流程框架提高了整体的处理速度。此外,本文对所提出方法进行了一系列的实验评价,并与其他算法进行比较分析。实验评估结果表明,本文提出的基于CNN的多曝光运动估计方法和新的HDR视频合成方案具有较好的有效性,并且相对其他算法表现出更高的计算效率。