随着高清数字电视技术的不断发展,消费者对视频内容质量的期望刺激了市场对于高质量视频分辨率提升的需求。分辨率是评价视频内容的一个重要指标。分辨率的提升使视频能在高清甚至超清显示设备上展现出更清晰、更震撼、更吸引人的视觉效果。本文重点对高质量视频去隔行和超分辨放大算法进行研究。为了提升高质量视频去隔行的画质质量,本文提出了运动补偿指导的自适应去隔行算法。针对场内方向插值问题,提出了基于块纹理相似的纹理方向估计模型,大幅度提高了方向估计的准确性和场内去隔行的鲁棒性。同时,本文针对隔行视频序列的运动估计与补偿进行了详细的分析,并提出了细化的运动补偿准则、运动向量有效性检验机制、和参考运动补偿准确度的自适应融合机制,在控制伪影的前提下,达到场间补偿信息的最大化使用。该算法在各类纹理区域、各类运动场景中均能表现出稳健的去隔行效果。针对基于样例学习和稀疏表示的A+超分辨算法,本文从提高执行速度和提升超分辨质量两个方面,给出了优化方案。从执行效率角度,提出了支持多层训练和搜索的字典集模型,大幅度降低了训练和超分辨放大的执行速度,也为高效扩大训练样本规模和学习样例规模提供可能。从提升超分辨质量角度,提出了内嵌细节增强效果的超分辨架构,使低分辨率图像能够直接被放大成细节丰富、有较强对比度、且无明显伪影效果的高分辨率图像,为视频2K转4K实现提供了理论支持。面向2K转4K视频超分辨放大的市场需求,本文基于内嵌细节增强效果的超分辨放大算法,给出了高效的GPU加速方案,显著提升了内存访问效率。针对图像块特征提取和合并环节,有效地避免了大量的冗余内存访问和冲突内存改写问题。针对回归滤波环节,提出了精巧的多线程协同设计,有效地解决了对全局内存的非合并访问问题,并且利用共享内存作为媒介,进一步降低了因频繁的全局内存读写所导致的访问高时延问题,最终的方案达到了339倍加速效果。