随着人们对虚拟现实(Virtual Reality,VR)的兴趣与日俱增,各种商业化的虚拟现实产品在市场中所占的比重越来越大,全景视频作为当前VR的主要内容源而备受关注。对比普通视频而言,全景视频具有高分辨、多视角、存储数据量大的特点。为了适应视频的传输,利用经典的编码标准对全景视频进行压缩时,我们通常会牺牲它的质量来节省码率,而低质量的全景视频严重影响了用户沉浸式的体验。因此,本文提出将卷积神经网络应用到全景视频压缩及后处理的工作中,以有效提高全景视频的质量。本文主要完成了以下三个工作。(1)全景视频的质量对于用户的观看体验至关重要,尤其是由某个区域的全景视频映射成的当前视口的视频。因此,本文基于卷积神经网络中的生成对抗网络提出了 Panorama-GAN网络,其中生成模型使用U-NET网络,损失函数通过VGG19计算特征差异而形成。然后本文利用此网络分别对压缩后的全景视频以及具有不同映射关系的当前视口的视频训练生成模型,以提高全景视频的质量。最后通过实验证明了网络对当前视口视频质量的提升具有更出色的表现。(2)改善低质量帧可参考与其相似的高质量帧。因此,本文考虑到全景视频的帧与帧之间具有很大相似性的特点,进一步提出不平等编码方案,将立方体投影的全景视频编码成高、低质量两个版本的视频。接下来在传输过程中,以一个视频组(Group of Pictures,GOP)为单位交叉传输视频,最后利用一个四层卷积神经网络,将低质量帧和相邻高质量帧的特征提取并结合,经过特征增强、映射和图像重建低质量视频帧,实验证明我们的方案提高了整个全景视频的质量。(3)由于通常采用基于视口方案传输全景视频,即传输当前视口的高质量视频流和其它视口的低质量视频流。因此,用户转头时,网络延迟会造成转头画面不清晰的现象。本文在基于兼容HEVC的Tile压缩全景视频解决方案的基础上,提出二次压缩方案:在服务器端,低质量视频由高质量视频再一次压缩形成,或者进行下采样后再压缩形成;客户端收到全景视频后,压缩当前视口高质量视频并送入卷积神经网络训练,最后用生成的模型提升其它视口低质量的视频。实验结果证明了方案的有效性,并且下采样方案在低码率传输中显示出了更好的性能。