视频图像超分辨率重构算法是提高图像传感器分辨率的重要手段。随着硬件成本以及需求环境的增加,传统的超分辨率重构算法存在重构质量较低以及适用范围有限的缺点。与单帧图像重构不同的是,视频图像需要利用多帧图像的时空信息,因此视频图像重构相对来说更有难度。针对视频图像中出现遮挡和大型运动时配准失真的问题,进一步增强图像的重构质量和细节信息,提出一种基于循环图像配准的视频图像超分辨率重构算法,采用非局部卷积提取图像特征,集成图像去噪和隐式运动估计提高配准精度;引入时间相关性和注意力机制融合配准特征,结合金字塔残差网络和并行卷积重构高分辨率视频图像;通过包含像素损失和纹理损失的组合损失函数训练网络。由于目前重构算法的人眼视觉感知质量和时间一致性较差,提出一种基于生成对抗网络的视频图像超分辨率重构算法,生成网络采用轻量级的图像配准网络,结合全局上下文信息配准相邻图像,弥补像素丢失区域,采用扩张卷积提取全局信息;通过改进的判别网络以及时间一致性损失增强生成图像的视觉连贯性,引入全文信息损失在配准失真时计算图像相似性约束网络训练。通过综合公共数据集在Pytorch平台上训练和测试提出算法的重构质量,实验结果表明基于循环图像配准的方法能够获得较高的PSNR指数,重构图像细节清晰,但是视觉感知质量较低;基于生成对抗网络的方法能够生成逼真的纹理细节,具有较高的人眼感知质量指数,时间一致性良好,网络参数相较于前者更少,速度更快。本文提出方法能够快速重构高分辨率图像,恢复真实环境下降质图像丢失的高频信息。