在移动网络技术高速发展的今天,视频业务正越来越多的占据着市场的份额,在无线环境下为用户提供最优的观看体验成为了一个十分具有挑战性的问题。一方面网络的建设应该能够满足多种多样的视频业务需求;另一方面,视频业务本身需要适应网络特性。二者都是旨在给观看视频的用户带来更好的用户感知质量(Quality of Experience,QoE)。本文从第二个方面展开了研究,从视频、业务的角度出发去优化观看者的QoE。基于目前广泛使用的自适应流媒体(HTTP Adaptive Streaming,HAS)技术,以QoE最优化为目的对HAS的码率适配、带宽预测、QoE实时评价等多个关键技术进行了研究。首先本义对自HAS的QoE评价模型进行研究,使用公开的标准视频数据集,训练并且验证了画面失真的损伤模型、初始时延的损伤模型、卡顿的损伤模型以及画面质量波动的损伤模型,建立了它们对QoE的损伤关系;然后开展主观测试,回归并且验证了端对端自适应流媒体的QoE模型,给出自适应流媒体业务中不同损伤对最终QoE造成影响的不同权重。然后对自适应流媒体中的带宽预测进行研究,提出采用时间序列分析模型对该问题进行建模,在大量数据的支撑下从理论上得出了自回归移动、平均(Auto Regression Moving Average,ARMA)模型阶数,并且基于最小均方误差准则对模型参数进行训练;同时在数据的支撑下,给出了常用的指数平滑算法在均方误差最小准则下的最优平滑参数。除了时间序列模型之外,同时提出基于卡尔曼滤波的可用带宽预测方法,该算法无需模型训练便能取得良好的预测准确性。基于前二者的研究结果,本文提出了 QoE 最优的码率自适应(QoE Optimal Rate Adaptation, QORA)算法,提出了实时的系统状态预测方法,并且基于该方法进行实时的QoE预测。在QoE估计的结果支持下,使用贪心策略,选择最优的码率等级。在没有先验信息的条件下,QORA在不同的QoE评价模型下均能提供最优的QoE。在仿真中,对比其他典型的码率自适应算法,均能够验证这一结果。