3D视频在2D视频的基础上增加了视点数目和深度数据,其数据量要远大于2D视频,给视频的存储和传输带来了巨大的挑战。因此,如何实现高效的3D视频压缩编码具有重要的理论研究意义和实际应用价值。近年来,随着人工智能技术的发展,深度学习在视频处理领域得到了有效应用,为3D视频压缩编码提供了新的发展思路。为了进一步提高3D视频编码效率,本文借助于深度学习技术,利用3D视频的空域、时域和视点域相关性,开展了基于深度学习的3D视频多域联合预测编码研究。本文提出了一种基于深度学习的时空联合预测编码方法。3D视频具有丰富的时域和空域相关性,为有效去除3D视频数据的时空域冗余,设计了时空联合预测编码方法,综合利用时空域相关性,并借助卷积神经网络的学习能力,获取时空联合预测。首先,依据对3D视频内容时空域相关性的分析,基于帧间预测块和空域重构块获取时空参考信息、构建时空参考块。然后,构建了时空联合预测网络,融合时空域参考信息,获得时空联合预测结果。最后,将提出的方法集成至3D-HEVC编码平台。实验结果表明,所提出的方法可以有效提升3D视频的编码效率。本文进一步提出了一种基于深度学习的多域联合预测编码方法。3D视频不仅具有时空域相关性,还包含丰富的视点域相关性。为进一步去除冗余,在结合时空域相关性和视点域相关性的基础上,通过卷积神经网络利用多域参考信息,获得多域联合预测。首先,针对3D视频丰富的多域相关性,提出一种分级多域预测机制,以实现对多域参考信息的获取和有效融合。然后,构建了基于多尺度融合的多域联合预测网络,充分利用时空预测信息和视点合成预测信息,获得多域联合预测结果。实验结果表明,所提出的方法能够进一步提升3D视频的编码效率。