基于沉浸式3D全景视频的虚拟现实应用可以给用户带来沉浸式、深度感和交互式等身临其境的体验,具有广泛的市场需求和应用价值。然而,由于现有采集技术的局限和计算资源的约束,3D全景视频系统中的各环节均会引入不同类型和不同程度的失真。因此,3D全景视频系统中存在大量的图像失真问题,亟需研究高效的修复算法,以提升整体系统性能。本论文基于深度学习技术,围绕3D全景视频系统中的深度图像修复和360度全景图像修复两个关键技术问题,展开了深入地探讨和研究。本文提出的模型方案可有效地提高3D全景视频系统性能。具体来说,本文主要完成了以下四个工作:（1）针对深度图像压缩失真修复,为了消除深度图像压缩产生的伪影和块效应,本文提出了一个基于彩色图像引导的深度图像修复模型（DIG-Net）。该模型从深度图像对应的彩色图像中提取纹理、边缘等结构信息,辅助深度图像的压缩失真修复。同时,模型引入相应的边缘损失项用于保护深度图像的边缘等结构信息。实验结果表明所提出的模型可以有效地修复深度图像中的压缩失真。（2）针对深度图像获取阶段中存在的信息缺失问题,本文提出了一个渐进式深度图像补全模型。针对不同类型和不同程度的信息缺失,所提出的模型先对深度图像进行粗粒度重建,再利用彩色图像的结构信息辅助深度图像的边缘重建。模型训练阶段同时对内容重建模块和边缘重构模块的输出深度图像的保真度进行评估,以保证两个阶段输出的深度图像的质量。实验结果表明,所提出的模型可以有效的完成深度图修复任务。（3）针对彩色图像去除噪声和去除方块效应的问题,本文提出了一个轻量级参数共享的修复模型。模型通过网格的路径选择算法,实现有效地共享参数,以减少网络的规模和修复时间。针对不同压缩质量和噪声等级,用户通过设定不同子网络实现“一对一”训练。实验结果表明,此模型的性能优于相似结构的模型。（4）针对360度全景视频环路滤波,本文提出了基于内容感知的全景图像压缩失真修复模型。该模型针对全景图像和HEVC压缩的特点,分别引入了内容感知模块和质量感知模块。其中,内容感知模块从码流提取分块信息作为先验知识,实现分区域修复。针对不同压缩等级的特征图像,质量感知模块通过特征图权重校,实现了自适应修复不同质量图像的目的。此外,模型作为环路滤波器,嵌入在HEVC编/解码器的DF和SAO模块之间。实验结果表明,文中提出的模型可以有效地提升视频质量,同时降低码率。