未压缩的原始视频信号包含巨大的数据量，视频压缩技术的进步使得在有限的带宽中传送高质量视频成为可能。尽管现代视频编码技术已经具有极高的压缩效率，但随着互联网的兴起及超高清显示拍摄设备的普及，视频的数量和质量呈爆炸式增长，当前视频编解码标准的压缩效率仍然难以满足人们对高数量高质量视频的需求。另一方面，近些年在硬件强大的计算能力和互联网大量可获得的数据的支持下，深度学习展现出巨大潜力并在众多领域取得了重大突破。将深度学习应用于视频编码以提高编码效率也引起了领域内广泛关注并成为了学术研究前沿。
　　基于此，本文主要研究了基于深度学习的视频编码技术，主要工作可分为四个部分：第一，全面地介绍了近些年基于深度学习的视频编码技术的研究现状，并按视频编码框架中的模块加以分类总结,其中着重介绍分析了基于深度学习的帧内预测和视频滤波算法；第二，本文给出了一种通用性极强的递归残差卷积网络，该网络结合了递归学习策略与残差学习策略，并可广泛用于各种图像增强和图像恢复任务。第三，鉴于传统帧内预测方法无法充分利用上下文信息且基于方向的线性预测器过于简单，提出了一种基于递归残差卷积网络的帧内预测方法，该网络将相邻重建块和传统预测块一起作为输入，学习传统预测块与原始块间的残差。网络的具体结构由三部分组成，对于不同大小的输入块仅需训练单个公共网络模型，该方法实现了亮度分量2.8%的编码效率提升。第四，提出了一种基于递归残差卷积神经网络的帧内预测帧环路滤波方法，该方法将量化参数信息添加至网络的输入，增强对不同质量压缩帧的辨识能力，训练好的单个模型可广泛处理不同质量的重建帧，可大幅提高滤波后视频的主客观质量，实现了亮度分量8.7%的编码效率提升。