近年来,随着多媒体技术的不断发展,3D视频逐渐受到了人们的关注。3D视频在给观众带来极佳的视觉盛宴的同时也带来了更高的技术要求,如编码数据量大、存储要求高、传输难度大等问题。为了更好的满足大众的需求并实现3D视频的普及,立体视频编码联合工作组在HEVC的基础上提出了新一代高效立体视频编码标准,即3D-HEVC。3D-HEVC中采用多视点加深度图的格式,并利用视点间的相关性,减少了视点间的冗余信息。虽然3D-HEVC已经大大降低了3D视频在编码过程中的冗余信息,但是编码的计算复杂度仍然较高,严重的影响了3D-HEVC编码标准的普及。本文在详细分析3D-HEVC中的各种技术及3D-HEVC编码结构的基础上,针对编码环节中四叉树递归划分过程和预测单元帧内模式选择过程进行了优化和改善,主要工作和成果如下:(1)对3D-HEVC中的编码单元四叉树递归划分的技术和帧内编码的基本原理和相关算法进行了详细阐述,并分析比较了这些方法的优缺点,同时分析了深度图和纹理图的关联性。(2)针对3D-HEVC深度图在四叉树递归划分过程计算复杂度较高的问题,本文引入机器学习技术,将分类与回归树(Classification And Regression Tree,CART)应用于四叉树递归划分过程中。模型对当前最大编码单元(Largest Coding Unit,LCU)最佳划分深度进行预测并根据预测结果跳过DMM模式搜索过程,从而提前终止穷尽式的四叉树递归划分过程和DMM搜索过程。实验结果显示本文提出的基于CART的自适应深度决策算法相比HTM编码平台在BDBR仅增加0.51%的前提下,平均可以减少25.5%的深度图编码时间,在保证视频编码质量的同时有效的降低了深度图四叉树划分过程的编码复杂度。(3)本文在分析了3D-HEVC中各帧内模式所处理的编码块特点的基础上,提出了一种基于梯度信息的帧内模式选择的快速算法。该算法利用编码块的梯度信息,将当前编码块划分为弱梯度块、强梯度块以及非弱非强梯度块,并根据不同梯度块的特点选择合适的帧内模式加入到候选列表当中。实验结果显示本文提出的算法平均可以减少30.6%的编码时间,而BDBR仅增加0.66%,有效的降低了编码器帧内预测过程的算法复杂度。