图像和视频的超分辨率是当前计算机视觉领域的经典研究问题,它的研究进展对推动社会进步具有重大意义。其中,视频超分辨率算法除了需要恢复空间上的信息外,还要维持帧与帧之间的时间一致性。当前基于深度学习的视频超分辨率技术已经取得了长足的进步,性能远胜于传统的超分辨率方法。然而,本文发现当前的视频超分辨率算法针对的内容都是一般格式的普通视频,而对于作为虚拟现实的内容载体的360°全景视频则没有相关研究工作。随着第五代移动通信技术的发展,过去受限于网络带宽的虚拟现实将得到迅速发展,相应的高质量全景视频的需求也会迅速增加。因此本文以深度学习技术为基础,设计了适用于处理全景视频的超分辨率算法模型,主要做了如下研究:1、为了对整个视频超分辨率领域有一个整体的认识以更好的设计算法,在第三章中,对自深度学习兴起以来主流的视频超分辨率算法进行了概述,以各方法利用帧间信息方式的不同对现有的方法进行了分类和总结,最后对当前视频超分辨率所面临的挑战以及未来研究趋势进行了阐述。2、为了处理全景视频的超分辨率,第四章提出了一种全新的全景视频超分辨率算法模型,由于当前没有相关的研究工作,没有公开数据集可获得,因此本文从互联网上收集了大量的全景视频数据,经过处理后得到Mi G全景视频超分辨率数据集,然后基于全景视频的特点,本文提出了一个加权的均方误差损失函数。在网络结构上,本文基于视频超分辨率一般框架,设计了一个单帧和多帧联合的视频超分辨率网络,同时引入对偶学习机制约束超分辨率的解空间,以取得更好的超分辨率结果。3、为进一步改善算法性能以更好的投入实际应用,本文提出了一个更加轻量的全景视频超分辨率模型,引入了在复杂度不增加的情况下提升性能的自校正卷积,同时本文还设计了一个更加轻量且高效的残差密集块。以上算法的系统性实验均在所搜集的MiG全景视频数据集上进行。实验结果表明,本文提出的算法取得了非常优秀的性能表现。