近年来，随着监控技术的飞速发展，视频监控得到了越来越广泛的应用。但是，由于各种各样的原因，接收到的视频图像受到不同因素的影响，会产生不同程度的模糊，这就为我们使用视频图像提供准确信息增加了困难。已有的清晰化方法多是从单帧图像的角度进行分析，如图像增强、图像复原等，这些方法存在着一些缺点。因此，寻找一种切实有效的清晰化方法就显得尤为重要。　　 考虑到视频帧之间的关联及物体运动的连续性，若将物体在各帧中的位置坐标连接起来，理论上应该得到物体的运动规律。在确定宏块位置坐标时，运动矢量是最关键的因素。因此本文试图通过模拟帧间运动变化规律，即位置坐标与运动矢量间的关系曲线，找到一种基于前后清晰帧信息预测模糊帧信息的方法，并在此基础上实现模糊视频清晰化。　　 由于BP网络在模拟线性或非线性曲线方面都有较大的优势，且将它应用于系统的建模与辨识时，可以不受系统模型的限制，更容易实现学习算法。因此，本文采用BP网络预测视频帧之间的变化规律，并通过清晰帧的相关信息预测模糊帧的信息，从而实现模糊视频清晰化。在实际研究过程中，块尺寸的大小对研究结果的精度和网络训练时间有较大影响，因此需对整帧图像进行分块处理，综合考虑后，本论文采用4×4块作为基本研究对象。　　 在研究过程中进一步发现，由于BP网络是一种局部优化方法，在应用过程中会出现陷入局部最小点的问题，同时受初始权值的影响，会产生网络训练时间过长、收敛速度慢等缺点，因此需考虑对网络权值进行优化。通过阅读相关文献，本文最终选定在BP网络进行视频清晰化之前，先采用遗传算法对BP网络的初始权值进行优化，以减小网络训练时间、加快收敛速度。通过与传统BP网络训练效果的比较，可以发现该方法的有效性。　　 同时，在实现基本功能的基础上，本文设计了清晰化平台，以方便用户操作，实现该方法的简单易用。　　 本论文简要介绍了已有的图像增强和图像复原方法，并将本文清晰化方法与其进行比较，实验仿真结果表明，本文所用方法在有效克服传统清晰化方法不足的同时，可以有效改善视频图像的质量。相比于已有方法，本文方法可提高图像的峰值信噪比、减小最小均方误差，且有较好的视觉效果。在使用遗传算法优化BP网络权值后可以缩短网络的训练时间、加快收敛速度，得到较好的清晰化效果。