近年来,视频流流量持续增长,已经占据互联网总流量的主要部分。为了应对网络带宽的波动性,提供流畅的视频播放服务,自适应视频流技术被提出。目前,自适应比特率（Adaptive Bitrate,ABR）算法被广泛应用于基于HTTP的动态自适应流（Dynamic Adaptive Streaming over HTTP,DASH）,以提高用户体验质量（Quality of Experience,Qo E）。传统的ABR算法通常仅根据播放器和网络环境选择视频块的比特率,而忽略了视频内容特性对用户Qo E的影响。因此,内容感知的ABR算法被提出并成为当前的主流。然而,现有算法的比特率决策仍忽略了人类视觉系统（Human Visual System,HVS）固有的视觉敏感度特性。由于HVS对不同视频内容的质量失真具有不同的敏感度,具有高视觉敏感度的视频内容需要分配更多的比特率资源。因此,现有ABR算法在合理分配比特率和最大化用户Qo E方面仍然存在局限性。针对这一问题,本文从用户视觉的角度出发设计自适应比特率策略,对视觉敏感度的建模方法进行了研究,并结合强化学习（Reinforcement Learning,RL）技术,提出了一种视觉敏感度感知的自适应比特率算法。本文的主要研究贡献如下:1.由于HVS作用机制的复杂性,现有的视觉敏感度建模方法在模拟HVS特性方面仍存在不足。本文在分析不同视觉掩蔽效应对HVS感知视频质量失真影响的基础上,针对不同视频内容建立了总体掩蔽效应模型。该模型采用多种视频特征作为输入,并将多流前馈卷积神经网络（Convolutional Neural Network,CNN）与反馈模块相结合以模拟HVS感知机制。与现有最新的模型相比,该模型能更准确地反映视觉敏感度大小。2.本文分析了总体掩蔽效应模型的预测结果与视觉敏感度的对应关系,以对视觉敏感度进行量化。通过将该视觉敏感度信息与RL算法的输入状态和奖励函数相结合,提出了视觉敏感度感知的ABR算法。该算法能够生成与视觉敏感度相一致的比特率策略,并基于更精确的视觉敏感度信息进行比特率分配,进一步优化资源利用率和用户感知质量。3.通过广泛的实验评估和分析,与最新的视觉敏感度预测方法相比,本文提出的总体掩蔽效应模型的预测精度更高,且对视频分辨率具有鲁棒性。与不考虑视觉敏感度的ABR算法相比,所提出的算法在许多指标上均实现了良好的性能,并将用户Qo E提高约22.8%。与基于其他视觉敏感度预测方法的ABR算法相比,本文提出的ABR算法也实现了一定程度的用户感知质量提升。