图像/视频超分辨率重建任务作为计算机视觉的底层任务之一,其目的是将多帧或单帧低分辨率图片恢复成参考帧对应的高分辨率图片,由于高分辨率视频/图片提供了更为丰富的细节信息,这对于后续的诸多视觉任务至关重要,如复杂场景下的小目标检测、监控视频的行人重识别、医学成像、航空遥感图像等,这使得超分辨率技术成为了计算机底层视觉领域的一大研究热点。本学位论文基于生成对抗网络的框架,通过改进现有的循环帧处理网络结构和判别器模型来达到提升重建性能的效果。本论文所做的改进主要包含两个方面,其一是针对生成器部分的改进,通过引入非局部自注意力模块和基于ConvGRU的时序建模模块,提出了一种新颖的基于循环帧处理的生成器网络结构,以提升网络的重建性能。其二是针对判别器部分的改进,通过考虑空间与时间两个维度,提出了一种双判别器模型,其中通过引入马尔可夫判别器作为空间内容判别器、引入了基于3D残差结构的时间判别器作为时序一致性判别器来分别对生成器的生成结果进行空间内容鉴别与时序一致性鉴别。结合这两方面改进,本论文提出一种基于双判别器GAN的视频超分辨率网络,通过采用对抗训练的策略使得生成器能够重建出具有丰富纹理细节的视频序列,并能够保有真实的时间连贯性。本学位论文使用Vimeo90K数据集作为训练集,使用Vid4和UDM10数据集作为测试集以验证所提出改进的有效性。实验结果说明了本论文所引入的非局部自注意力模块能够通过捕捉输入帧的帧间和帧内相似性来提高网络的性能,还说明了引入的基于ConvGRU的时序建模模块能够有效的处理输入的连续视频序列,除此之外本论文还通过实验验证了所提出的基于双判别器GAN的视频超分辨率网络能够有效地消除对抗训练过程中产生的时域失真并使训练出的生成器能够重建出具更好视觉效果的视频。