随着互联网技术的不断发展,视频已经成为人们日常生活中重要的信息来源与娱乐方式,而随着硬件设备的不断进步和人们对于画面内容更加贴近真实环境的需求不断增加,高动态范围视频应运而生。高动态范围（High-Dynamic Range,后简称HDR）视频通过更强亮度表达能力,搭配上更大的色域空间,使视频画面更加贴近现实场景,从而实现更好的视频观看体验。而另一方面对于当前依旧拥有很大占比的标准动态范围（Standard-Dynamic Range,后简称SDR）视频,其中不乏很多经典的优质内容,而画面却缺乏足够的表现力。因此,将优质的SDR视频向HDR视频转换的工作开始受到广泛关注。当前业内的普遍算法是在已有的视频色域转换流程基础上,通过更替其中光电转换模块实现初步的HDR视频生成方案,但该方法存在自适应差、亮度过高、色彩退化、暗部色块等问题。为了解决这些问题,本文提出了一套基于视频内容自适应生成HDR视频的算法,包括基于传统方案的效率模式与基于深度学习方案的精细模式。在基于传统方案的效率模式中,针对已有算法自适应差、亮度过高的问题,提出基于画面亮度信息自适应的非线性变换方案进行亮度调节;通过肤色划分与饱和度细化增强解决色彩退化问题;并设定暗部阈值,平滑暗部像素的色度差异解决暗部色块问题。从而完善了基于画面内容自适应的HDR视频生成方案。本方案可以在i7-7800X编码环境下实现HDR内容的实时生成。通过大量的主观实验证明,本方案生成的HDR视频可以较好地保留画面中创作者意图的同时带来更好的视频观看体验。特别地,在对生成的HDR视频和原始SDR视频进行的主观评测中,本方案的平均主观意见分数（Mean Opinion Score,MOS）均高于对应的SDR视频,平均差异质量评分（Differential Mean Opinion Score,DMOS）为5.80,证明方案可行且在视频观感上有显著提升。在基于深度学习方案的精细模式中,主要解决了效率模式中自适应变换曲线切换之间不够平滑、生成视频画面可能存在闪烁的问题。本方案整体流程与效率模式相同,区别在于利用卷积神经网络的强特征提取能力设计的曲线映射网络代替了效率模式中通过经验设计的亮度自适应模块。另一方面,网络采用无参考训练方案来解决当前缺少用于训练网络的SDR/HDR数据集问题。为了在无参考的前提下保证生成的HDR视频拥有更好的效果,突出HDR视频所特有的画面优势,本文提出并设计了用于网络训练的损失函数,包括空间一致性损失函数、亮度控制损失函数与对比度控制损失函数。在对视频进行的主观测试中,本方案的MOS值均高于对应的SDR视频,在绝大多数情况下MOS值高于传统方案,较SDR视频平均DMOS分值为5.966,证明方案可行且画面效果整体优于传统方案,可以有效提升视频观感。