视频质量增强算法一直以来是音视频研究领域的一个热点,传统的方法都是使用编码压缩算法对视频文件进行编码压缩,经过这种有损压缩的方式后,虽然视频文件的大小显著降低,但其在解码端呈现的图像质量却有待加强。一般来说,视频压缩算法的压缩比越高,那么节省的空间就越大,而损失的图像信息也就越多。由于深度学习技术的逐渐流行,越来越多的学者尝试在视频图像质量增强方面使用深度学习算法来寻找突破。本文提出了一种领域自适应视频质量增强算法,将半监督场景下行之有效的Mean Teacher方法引入到了视频质量增强领域,并取得了一定的效果。本文重点研究领域自适应视频质量增强算法,并基于该算法设计并实现了一个视频会议质量增强系统,最终得到的图像更加的清楚,在细节保持,整体平滑上都有较好的效果。论文的主体部分,将从以下几个方面进行展开:（1）本论文提出了领域自适应视频质量增强算法,受领域自适应半监督场景下Mean Teacher算法的启发,本文将Mean Teacher方法运用在了当前视频质量增强领域效果较为显著的时空可变形卷积网络（Spatio-Temporal Deformable Convolution for Compressed Video Quality Enhancement）算法模型当中,摒弃了传统的深度学习图像增强算法中的基于光流的预测方法,而是通过构建一个时空反卷积网络（Spatio-Temporal Deformable Convolution,STDC）来学习时空信息。最后,通过实验验证的方式,将本文的方法与其他的方法在测试集上进行了对比测试。测试结果表明,本文的方法取得了较好的效果。这也说明将领域自适应半监督场景下的算法应用到视频质量增强领域具有一定的研究意义。（2）本论文设计并实现了一个解码端的视频会议质量增强系统。构建了一套涉及编码、解码、图像质量增强、时间同步等功能的综合系统。首先介绍了系统的总体结构,对系统的各个功能模块进行了描述,其中包括UI管理模块,数据采集模块,编码模块,解码模块,网络传输模块,质量增强模块。随后对系统涉及到的质量增强模块进行了重点突出,该模块使用了在第三章中所提出的领域自适应视频质量增强算法训练的模型,在解码端使用深度学习模型来进行视频质量增强,并进行了实验验证,取得了一定的效果。