深度学习在目标检测、语音识别等众多领域中扮演着重要角色。然而,现存的深层神经网络虽然在图像生成和分类的任务中表现出良好的性能,但在视频流的预测方面却难以满足现代工业上应用的需求。基于二维卷积的神经网络模型无法在时间域对光流进行建模,而结合二维卷积和长短时记忆网络而来的卷积长短时记忆网络（Convolutional Long Short Term Memory,Conv LSTM）对算力要求极高,本文提出了二维和三维卷积相结合的方式搭建生成对抗网络（Generative Adversarial Network,GAN）对视频未来帧进行逐级合成,实现了32帧的视频未来帧的逐级合成。本文内容如下:（1）提出了新的神经网络模型——伴随卷积网络,用于提升视频未来帧预测模型的收敛速度。伴随卷积神经网络是由多层多尺度浅层神经网络组成的深层模型、选择性传输和选择性多尺度优化三部分组成。首先训练预训练模型,其次,将数据集送入同样的两个模型当中,统计每个模型各个阶段的输出结果,然后通过与预训练模型对比PSNR（Peak Signal to Noise Ratio）值进行选择性传输。实验结果表明,在以PSNR为评估指标下,伴随卷积神经网络能够有效加速模型的收敛,在与pix2pix HD的实验结果对比中能够恢复出更多的图像细节。（2）针对深层神经网络训练需要较高算力的问题,分别使用基于三维卷积和二维卷积的神经网络对视频帧的光流进行提取和对预测的视频帧进行图像翻译,提出了结合三维卷积和二维卷积的生成对抗网络对未来视频帧进行预测。该模型需要将边缘检测图和语义分割图进行融合,将融合图片送入以三维卷积搭建的融合图片预测生成器,然后进行图像翻译得到真实的视频帧。（3）为进一步提高生成视频帧的质量和对生成的视频流质量进行准确评估,本文提出了新的损失函数和评估指标。该损失函数由交叉熵损失、L1正则损失和结构相似度（Structural Similarity Index,SSIM）损失构成。评估指标则是在弗雷歇初始距离（Frechet Inception Distance,FID）基础上进行改进。在不同场景的测试中,本文所提模型能够准确且清晰的预测出视频未来帧的趋势,所提损失函数和模型结构能够有效约束生成视频帧的质量。