在信息时代,视频是重要的信息媒介。视频数据的传输量呈指数级增长。人们对视频质量,视频分辨率的要求也在不断提高。这对视频编码技术带来了新的机遇与挑战。相比于上一代视频编码标准H.264/AVC（Advanced Video Coding）,当前常用的视频编码标准HEVC（High Efficiency Video Coding）提高了大约50%的编码效率,但是依然不能满足视频应用对于视频编码技术的高要求。在基于块的视频编码中,每个编码单元之间相互独立,具有不同的编码参数,使得编码后的视频具有块效应。另外,编码过程中高频分量的损失造成了振铃效应。块效应、振铃效应以及编码带来的模糊统称为压缩伪影。由于重建帧会作为参考帧,所以这些压缩伪影对视频的主观质量,以及后续帧的编码都造成不良影响。HEVC,H.264/AVC视频编码标准中采用去块滤波器、样点自适应补偿等方法,用于改善压缩伪影问题。但是这些方法是人工设计的,难以适应复杂的视频内容。随着深度学习的发展,基于卷积神经网络的滤波器可以带来比传统滤波器更好的效果。但是现有的这些基于深度学习的滤波方法具有不足,没有结合视频编码的噪声具有的局部失真和全局结构失真的特点去分析滤波的过程。本文针对视频编码压缩伪影的特点,利用卷积神经网络的优势,分别提出了两种算法,用于减少压缩伪影,提高视频编码效率。具体工作如下:1.基于特征混合的帧内增强方法:该方法通过语义提取网络,捕获视频重建帧的高级语义信息。通过类似U-Net的,具有池化操作的结构语义特征提取模块来获得视频结构信息。另外,通过由多层堆叠卷积层实现的纹理特征提取模块来学习视频编码中的低级纹理失真。实验表明,与HEVC编码标准相比,该方法在全帧内模式下带来了11.3%的BD-rate节省。2.基于全局表征与局部编码失真融合的视频滤波方法:该方法从图像去噪过程和编码失真恢复过程来改善压缩伪影,并设计了三个支路的融合网络。一个支路专注于全局上下文特征提取,用于去噪过程。一个支路专注于高级局部特征提取,用于编码失真恢复过程。另外一个支路专注于基本语义特征的提取,并支持空间上准确的映射。三个支路通过基于注意力机制的融合方法合并在一起,恢复原始视频。实验表明,该方法与HEVC相比,在全帧内,低延迟,随机访问编码模式下分别实现了13.5%,11.3%,11.7%的BD-rate节省。