视频作为一种新型的信息传播渠道,逐渐成为了人们在日常生活中不可或缺的一部分。在计算机视觉领域,视频分层与修复一直是广受关注的热门方向,这两者都能够为视频后期应用与处理带来益处。根据视频内容属性,通常可以将视频划分为卡通动画和真实场景视频两种类别。针对卡通动画而言,动画特效经常被用于呈现动画中的环境效果,例如下雨,下雪,落叶和落花等。目前针对真实场景的分层方法已经取得了不错的效果,但是由于动画特效与真实图层内容的本质区别,所以这些方法并不适用于动画特效分层;其次,针对真实视频,大量工作在解决图像修复内容质量上取得了卓越的效果,但是如何在视频修复任务中保证时序一致性的同时还能实时获得高质量的修复内容仍然是一个具有挑战性的问题。本文针对以上存在的问题,进行了以下方面的研究:（1）针对动画特效分层的问题,本文设计了一个基于运动先验知识的双任务神经网络,以同时实现动画特效层的分离和背景内容层的修复。通过观察特效和背景内容在运动模式上的差异,该网络提出了一种多尺度运动信息的特效预测机制来捕获需要关注的特效特征,并通过其引导网络的分层。同时,本文准备了一个全新的动画特效数据集,包含不同的特效种类和尺寸大小,以推动动画分层任务的研究。（2）针对真实视频修复的问题,本文设计了一个融合时序上下文的对抗生成神经网络。该网络通过加入一种时空注意力机制,分别在空间维度和时间维度上有效融合来自上下帧的时序特征以辅助修复目标帧,加强了网络保持时空语义一致性的能力。另外,本文利用对抗学习的方式监督修复视频的局部与全局内容,进一步提升了生成质量与逼真度。实验结果表明,相较于现有方法,本文所提出的方法在两种视频任务的效果上均有较大提升,并且能够为视频后期应用提供很大的帮助。