沉浸式多媒体,包括全景视频和虚拟/增强现实（Virtual Reality,VR/Augmented Reality,AR）视频,最近随着沉浸式应用需求的增加而变得越来越流行。视角（Field of view,FoV）预测作为新兴的VR和AR应用的一个重要组成部分,在全景视频自适应传输中至关重要。目前大多数结合了显著性检测和FoV信息的预测方法既没有考虑到全景视频投影后的失真会使传统卷积网络的权重共享失效,也没有充分考虑到获得完整的多用户FoV信息的困难,从而降低了预测性能。因此,本文提出了一种基于球面卷积的FoV预测方法,它是一个将全景视频的显著性特征与有限的FoV信息相结合的多源预测框架。本文中利用球形卷积神经网络来代替传统的二维卷积神经网络,以消除全景视频投影失真导致的权重共享失败的问题。具体来说,首先基于球形卷积的显著性检测模型提取显著性时空特征,然后将有限的反馈视角信息表示为基于球形卷积的门控递归单元网络（Gated Recurrent Unit Network,GRU）的时间序列模型。最后结合提取的视频显著性特征和用户的视角信息特征来预测用户未来的视角。实验结果表明,本文中所提出的方法的性能优于其他预测方法。由于全景视频的分辨率很高,其传输时的带宽需求与传统无线技术的带宽容量有很大的差距,在有限的带宽下很难保证用户的体验质量（Quality of Experience,Qo E）。而视角预测可以降低传输带宽,因此本文中提出了一种利用有限用户视角融合修正视频显著性特征的轻量级FoV预测方法。在此基础上设计了一个Qo E驱动的全景视频流系统,该系统由客户端/服务器（Client/Server,C/S）构成,服务器根据预测的FoV和无线网络带宽为每个切块选择合适的质量等级进行传输,以此优化所有用户的Qo E。然后,本文中将系统的传输问题表述为一个非线性整数规划（Nonlinear Integer Programming,NLP）问题,并提出了一个结合Karush-Kuhn-Tucker（KKT）条件和分支定界法的最优算法来解决这个问题。最后,在仿真环境中评估了系统的性能,结果显示该系统的性能优于其它的基线方法。