随着深度学习的迅猛发展,多媒体设备的传输质量越来越高。但是大量视频在采集、传输和保存的过程中依然存在许多问题,导致最终的视频质量较差,需要采用视频超分辨率重建算法来获得更加清晰的内容。在目前的相关研究中,基于深度学习的视频超分辨率重建算法已成为该领域的主流研究方法,该项技术在智能安防、视频修复和医疗影像等领域已被广泛应用。本文选取端到端的视频超分辨率重建网络来进行相关研究。相比于单幅图像的超分辨率重建,视频超分辨率重建需要利用相邻视频帧之间的关联信息。针对现有视频超分辨率重建算法中存在的时序特征提取不充分问题,本文提出基于3D卷积的时序特征增强模型,通过引入3D卷积,来提取相邻视频之间的时序信息,对原始的光流网络输出特征进行补充。同时,为了减少重建过程中出现的平滑现象,增强网络的收敛性,本文选取平均绝对值误差损失函数来对网络进行训练。实验结果表明,相邻帧间时序特征的充分利用,可以有效地提高网络的重建质量。针对重建过程中距离较远的特征点无法被有效利用的问题,本文在重建网络部分引入非局部操作NonLocal模块,来捕获视频帧中的远距离像素点信息,增加网络的感受野,增强网络的感知能力。同时,针对特征信息融合不高效的问题,本文提出了基于多尺度特征融合的视频超分辨率重建模型,通过不同的级联方式,使得不同尺度卷积核提取到的特征信息,被充分地融合利用,所重建出来的结果可以包含更多的高频细节特征。通过在标准测试集上进行对比实验,可以发现本文算法重建出来的视频帧序列纹理信息更加丰富,无论是客观评价指标还是人们的主观视觉感受均有明显地提高,从而验证了本文方法的有效性。