随着低轨高分辨率商业卫星的发展与普及,视频卫星已经成为重要的实时对地观测方式之一,并在自然灾害监测及基础设施监测等领域得到了初步应用。然而,与航空遥感视频相比,卫星视频不仅存在运动目标相较背景区分度低的缺点,还面临运动目标所占像素数有限甚至缺少纹理信息的问题。因此,亟需研究卫星视频图像复原方法,以提高卫星视频的视觉感知度,增强数据的可靠性,进而降低目标检测跟踪及高层语义理解任务的难度。视频分类任务是卫星视频高层语义理解的重要方向之一。相较已得到广泛研究的卫星遥感图像分类,卫星视频分类更具复杂性和挑战性,其中提取适合卫星视频的空-时特征至关重要。本文从卫星视频压缩失真复原、卫星视频超分辨率以及卫星视频分类等方面展开相关研究,主要研究工作如下:（1）针对卫星视频压缩失真复原问题,提出了一种特征融合网络。首先利用光流对齐输入的视频序列,然后构建多尺度空洞卷积神经网络以挖掘帧内-帧间信息。最后基于注意力机制设计多组特征融合模块,根据输入视频序列的内容,学习不同空-时信息对压缩失真复原的贡献度,从而自适应融合帧内-帧间信息,实现卫星视频压缩失真复原。本文方法能有效减少卫星视频中的压缩失真,提升卫星视频的质量,并改善运动目标的检测性能。（2）针对卫星视频超分辨率中的先验模型构建问题,首先基于自回归与超像素模型,构建了一种空-时自回归局部先验模型,进而建模中心像素与其空-时邻域像素之间的关系。然后根据卫星视频的非局部特性,构建了一种非局部先验模型。最后,利用迭代再加权最小二乘法求解相应的超分辨率优化问题。与目前常用的超分辨率方法相比,本文方法在保证峰值信噪比的同时,具有更好的鲁棒性。（3）针对模糊核未知条件下的卫星视频超分辨率问题,提出了一种基于跨任务特征融合的联合估计网络。首先构建模糊核估计卷积神经网络,然后构建基于特征对齐融合的视频超分辨率卷积神经网络。在此基础之上,进一步构建跨任务特征融合模块,通过两个网络中间层特征的融合,学习不同模糊核情况下的超分辨率特征,进而实现模糊核未知情况下的卫星视频超分辨率。与目前常用的盲超分辨率方法相比,本文方法在保证超分辨率性能的同时,改善了卫星视频小目标跟踪性能。（4）针对卫星视频分类中的空-时特征表征问题,首先基于模糊度和空间活动性的准则提取关键帧,降低视频分类中空间特征提取的冗余度。然后利用时序主成分分析提取视频的运动目标信息。其次利用卷积神经网络和卷积-长短时记忆神经网络实现空间特征和时序特征的提取。最后将提取到的空-时特征进行融合,并利用全连接层实现卫星视频分类。本文方法能够改善卫星视频的分类性能。