随着视频显示设备的升级和视频传输带宽的提升,人们对视频视觉质量的要求越来越高。其中,视频帧率是影响视频视觉效果的主要因素之一。因此,利用视频帧生成技术实现视频帧率的提升是目前视频处理领域的研究热点之一,得到了广泛关注。视频帧生成技术是通过提取原始相邻帧之间的空间-时间特征,合成中间一帧或多帧图像,进而实现视频帧率提升的技术。视频帧生成技术在视频增强、数据压缩、视频慢动作处理等领域有着广泛的应用。然而,在视频场景中,通常存在场景复杂、物体运动迅速、物体遮挡、光照变化剧烈等问题,对视频帧生成研究带来了极大挑战。本文利用深度学习技术对视频帧生成方法进行了系统性研究,针对包含复杂背景和包含大尺度运动、遮挡的视频场景,分别提出了两种视频帧生成方法,并以此为基础,实现了视频帧率转换系统的构建。具体研究内容如下:（1）提出了一种基于残差块和特征金字塔的视频帧生成方法,该方法主要解决了在复杂背景视频场景下,帧生成方法难以获取精确运动信息的问题。使用基于残差编码器和特征金字塔解码器的U-Net网络捕获多层信息,获得更准确的目标像素运动信息,指导中间帧生成。实验结果表明,该方法在三个测试集中PSNR和SSIM值均高于对比方法。在主观评价方面,本方法能产生比其他方法更完整的物体边缘和纹理特征,具有更好的视觉效果。（2）提出了一种基于上下文信息和合成网络的视频帧生成方法,该方法主要解决了大尺度运动和遮挡的视频场景中,生成帧质量下降的问题。使用可训练模块动态获取相邻帧之间的上下文信息,利用上下文感知方法实现自适应协同流指导变形后的输入帧和上下文信息的融合,完成中间帧的生成。实验结果表明,针对包含大尺度运动和存在遮挡的测试集,相较于对比方法,该方法在客观和主观质量评估上优势明显。（3）实现了视频帧率转换系统的构建。针对上述两种方法,本文设计并实现了集成四个模块的视频帧率转换系统,将理论研究应用到实际。四个模块的应用目的不同,其中两个模块将本文提出的两种方法应用到视频序列,并展示了客观和主观结果;对比模块提供了多种帧生成方法的可视化结果;最后一个模块包含视频播放器功能,使用本文的两种方法对完整视频进行帧率提升,为用户带来清晰流畅的视觉体验。