随着近年来超高清显示器的迅速发展,高分辨率视频数据的需求日益增长,相比于提高采集设备的硬件性能,设计应用于软件端的视频超分辨率算法在获取不同分辨率视频数据方面具有低成本和适用性强的优势。乘着深度学习发展的东风,基于深度学习的视频超分辨率算法取得了优异的视频重建性能,目前主流的视频超分辨率算法采用循环结构在整个时间轴上传播视频序列之间的时序信息,推理速度和计算效率方面取得了长足进步,然而应用于面向智能安防的重建场景时,现有的重建网络设计无法有效恢复视频中运动模糊或纹理密集等复杂区域,并且存在视频重建质量与未来帧信息利用的矛盾,本文对视频超分辨率算法进行研究,通过区域关注增强复杂区域的重建质量,并以双向融合的形式充分利用时序信息,提升视频超分辨率重建模型的性能。针对视频中复杂区域重建结果呈现模糊状态的问题,本文采用浅层与深层特征聚合的结构拓展参与重建的特征通道数,并设计了区域关注模块对空间中不同重建难度的区域进行加权,实验结果验证了特征聚合结构与区域关注模块相互促进,不过度增加模型复杂度和降低推理速度的情况下,有效地提升了视频复杂区域的重建质量,在标准测试集上的重建性能优于大部分视频超分辨率方法。在线视频重建任务中,视频帧顺序获取的因果关系阻碍了对未来帧的访问,而离线视频重建任务没有这个限制,为了利用未来帧信息提升视频重建质量,且保证算法能应用于在线和离线视频重建任务中,本文采用了一种无参的加权融合方式,对单向传播的视频超分辨率算法的正/逆序重建结果进行像素级融合,在此基础上,设计了一种由信息交换模块和通道注意力模块组成的轻量自适应融合模块对正/逆序重建结果进行特征级融合,充分挖掘过去帧和未来帧对参考帧重建的增益信息,标准测试集和实际拍摄视频中的实验表明,本文算法有效提升了视频重建的稳定性,获得了更精细的重建结果。