近年来,数字化多媒体技术发展迅速,用户对数字化的图像和视频的需求量呈爆炸式增长。但是图像和视频的信息量相比于文本十分巨大,传输和存储需要大量的网络带宽和存储空间,因此需要对其进行数据压缩。目前,大多数的国际通用图像和视频压缩标准采用基于分块的DCT变化压缩编码技术。尽管这种技术可以提供相对接近原图的图像和视频,但其不可避免的会产生压缩伪影,包括块效应,带状效应和振铃效应。这些压缩伪影不仅影响用户的主观视觉效果,而且不利于后续的计算机视觉任务。随着电子设备的计算能力大幅提升,深度学习由于其强大的映射学习能力,在计算机视觉任务正扮演着越来越重要的角色,基于深度学习的图像和视频处理方法也越来越多。因此,本文以提高数字图像和视频的主观视觉质量和客观评价指标为目的,结合深度学习的方法,对JPEG压缩图像去块效应和视频压缩后处理两种情况进行深入的研究和分析。本文的主要工作如下:提出了一种基于离散小波变换的卷积神经网络方法用于对压缩图像进行小波子带自适应去块。首先,我们在对输入图像进行离散小波变换（DWT）之后进行子带自适应处理,对于低频子带（LL）,我们使用简单有效的浅层CNN来恢复图像的低频分量;而对于高频子带（LH、HL和HH）,我们使用多核卷积来捕获多尺度特征并恢复图像中稀疏的高频部分。然后,我们使用由空洞卷积和普通卷积组成的混合卷积构成增强网络,来扩大网络的感受野,同时引入通道注意力和空间注意力机制来调整不同子带通道和空间坐标的权重。在Classic5和LIVE1数据集上进行的各种实验表明所提出的方法成功地恢复了JPEG压缩图像中的锐利边缘和清晰纹理,同时消除了诸如块效应和带状效应等压缩伪影。此外,在视觉质量和客观指标方面,所提出的方法在压缩伪影去除方面实现了较好的性能表现。提出了一种基于卷积神经网络的多尺度特征表示的压缩视频后处理滤波器。因为离散小波变换可以将图像分解为多频率和多角度的子带,有助于分析视频压缩过程中伪影,因此我们将DWT与CNN结合,并构建了两个子网络:阶梯式子带网络（SLSB）和混合增强网络（ME）。SLSB将被分解成不同频率的小波子带的输入视频帧送入对应的Res2Net Group（R2NG）,按照从高频到低频,从低信息量到高信息量的顺序逐步重建小波子带,我们还在R2NG引入了空间和通道注意力机制,可以自适应的增强重要的特征。ME使用由空洞卷积和普通卷积组成的混合卷积来扩大网络的感受野,增强网络的映射学习能力,进一步提高重建质量。实验结果表明,提出的后处理滤波器在常见测试条件（CTC）的三种模式（RA,AI,LDP）下有较好的主观视觉质量和客观评价性能。