چکیده: امروزه کیفیت تصویر و ویدیو از اهمیت ویژه ای برخوردار است. تکنیک فراتفکیک پذیری از روش های نرم افزاری در حوزه پردازش سیگنال است که به منظور افزایش کیفیت تصویر از لحاظ افزایش تعداد پیکسل ها و کاهش نویز، استفاده می شود. در این تکنیک، با استفاده از یک و یا چند تصویر کم وضوح، تصویری با وضوح بالاتر ایجاد می شود. در این پایان نامه یک روش فراتفکیک پذیری ویدیو مبتنی بر یادگیری و بر اساس شبکه های همگشتی ارائه می کنیم که با استفاده از یک شبکه آموزش پذیر، شار نوری (Optical Flow) موجود بین فریم کنونی و قبلی را محاسبه نموده و به عنوان اطلاعات اضافی به فریم کنونی وضوح پایین اضافه می کنیم. این اطلاعات به سامانه‌ی فراتفکیک پذیری داده شده و سامانه‌ی مذکور، با استفاده از شبکه های همگشتی عمیق به بازسازی تصویر می پردازد. در نهایت تصویر بازسازی شده به عنوان بلوک مولد یک شبکه GAN به بلوک متمایزگر داده شده که تصویری با وضوح بالا و واقعی را نتیجه می دهد. روش پیشنهادی با استفاده از سه بلوک آموزش پذیر و با به کارگیری شبکه های همگشتی عمیق، دریافت اطلاعات حاصل از شار نوری و همچنین بهره گیری از شبکه های GAN، توانسته به بزرگنمایی ویدیو تا 4 برابر و بدون افت کیفیت محسوس دست پیدا کند. در انتها مدل پیشنهادی (FRGAN-VSR) جهت ارزیابی کیفیت با دو مدل SRGAN (حذف شبکه شار نوری از مدل پیشنهادی) و FRVSR (حذف شبکه GAN از مدل پیشنهادی) در سه فاز یادگیری، ارزیابی و آزمایش مقایسه شده است. جهت بررسی کیفیت بصری، مدل پیشنهادی برای مجموعه داده Vid4 توسط دو معیار PSNR و SSIM مورد بررسی قرار گرفتند. همچنین کیفیت بصری مدل در چندین فریم نمونه از یک ویدیو و نیز چند ویدیوی چند فریمی مورد بررسی قرار گرفت. علاوه بر این در آزمایش پیوستگی زمانی مدل ها را جهت بررسی حفظ پیوستگی فریم ها در فراتفکیک پذیری ویدیو مورد مقایسه قرار دادیم، نتایج به دست آمده نشان می دهد که روش پیشنهادی از تمامی روش های مشابه حال حاضر چه از لحاظ کیفی، چه کمی و چه پیوستگی زمانی نتایج بهتری را از خود بر جای می گذارد.