基于深度学习的视频超分辨率方法主要关注视频帧内和帧间的时空关系，但以往的方法在视频帧的特征对齐和融合方面存在运动信息估计不精确、特征融合不充分等问题。针对这些问题，采用反向投影原理并结合多种注意力机制和融合策略构建了一个基于注意力融合网络（AFN）的视频超分辨率模型。首先，在特征提取阶段，为了处理相邻帧和参考帧之间的多种运动，采用反向投影结构来获取运动信息的误差反馈；然后，使用时间、空间和通道注意力融合模块来进行多维度的特征挖掘和融合；最后，在重建阶段，将得到的高维特征经过卷积重建出高分辨率的视频帧。通过学习视频帧内和帧间特征的不同权重，充分挖掘了视频帧之间的相关关系，并利用迭代网络结构采取渐进的方式由粗到精地处理提取到的特征。在两个公开的基准数据集上的实验结果表明，AFN能够有效处理包含多种运动和遮挡的视频，与一些主流方法相比在量化指标上提升较大，如对于4倍重建任务，AFN产生的视频帧的峰值信噪比（PSNR）在Vid4数据集上比帧循环视频超分辨率网络（FRVSR）产生的视频帧的PSNR提高了13.2%，在SPMCS数据集上比动态上采样滤波视频超分辨率网络（VSR-DUF）产生的视频帧的PSNR提高了15.3%。

针对云存储系统中数据获取时延长以及数据下载不稳定的问题，提出了一种基于存储节点负载信息和纠删码技术的调度方案。首先，利用纠删码对文件进行编码存储以降低每份数据拷贝的大小，同时利用多个线程并发下载以提高数据获取的速度；其次，通过分析大量存储节点的负载信息确定影响时延的性能指标并对现有的云存储系统架构进行优化，设计了一种基于负载信息的云存储调度算法LOAD-ALGORITHM；最后，利用开源项目OpenStack搭建了一个云计算平台，根据真实的用户请求数据在云平台上进行部署和测试。实验结果表明，相比于现有的工作，调度算法在数据获取时延方面最高能减少15%的平均时延，在数据下载稳定性方面最高能降低40%的时延波动。该调度方案在真实的云平台环境下能有效地提高数据获取速度和稳定性，降低数据获取时延，达到更好的用户体验。