得益于5G通信技术的进步和互联网行业的蓬勃发展,视频因其内容多元性和传播便利性发展成为了当今使用最广泛的信息媒介。然而,在一些带宽受限的实际应用场景中,为了平衡视频的画面质量和传输码率,视频压缩技术会不可避免地给视频引入编码伪影,降低观看者的视觉体验。因此,针对视频质量增强的算法研究具有重要的现实意义。近年来,许多基于深度学习的多帧视频增强工作在去压缩伪影任务上取得了显著成果。然而,现有的视频质量增强算法存在以下两点不足:其一,大多数工作将去压缩伪影问题简单地视作视频盲去噪问题,而没有充分利用压缩码流中的编码先验信息以辅助修复;其二,目前的学术工作仅针对定量化参数（QP）编码视频进行修复,而缺乏对工业界广泛存在的定码率编码视频的研究。为了解决上述问题,本文提出了一种基于编码先验的定码率压缩视频质量修复模型（CPQE）。该模型主要包括多帧对齐融合模块和当前帧增强重建模块。在多帧对齐融合部分,本文提出了一个由量化参数信息引导的时空联合可变形卷积融合模块（QPDF）。该模块采用基于可变形卷积的隐式对齐方法,使用多尺度级联金字塔结构由粗到细地实现了多帧运动偏移量的时空联合预测,在提高计算效率的同时增强了模型对大尺度运动的补偿能力。在此基础上,本文通过对视频量化过程进行详尽分析,指出了定码率编码模式下量化参数所具有的时空波动特性,并将编码端的量化参数信息以“量化噪声水平图”概念引入到运动偏移预测子网络中,作为像素级的参考帧编码质量表征,实现了帧间信息的质量自适应性融合。本文模型的当前帧增强及帧重建部分则旨在解决两个问题:其一,基于块的编码模式所带来的块效应失真问题;其二,帧重建网络层数过深所带来的高频信息损失问题。针对问题一,本文对块效应伪影产生的根本原因进行分析,并基于传统环内去块滤波器原理提出了一个由编码块划分信息引导的空间注意力增强模块（CSA）。其中,编码端的块划分深度信息作为空间注意力权重掩膜,指导网络聚焦于编码块边界处并对其进行针对性修复,在空间维度对当前帧质量进行增强;针对问题二,本文提出了一个基于特征注意力的密集残差帧重建结构（FADR）。一方面,密集连接的残差结构使得深层网络中信息的流通更为高效,另一方面,特征注意力的运用加强了深浅层特征之间的复用和聚合,进一步提高了帧重建模块的表征能力。本文采用HEVC视频编码标准软件HM16.0制作定码率编码视频数据集。该定码率数据集包括108个训练视频和18个测试视频,涵盖包括1080p、720p在内的10种分辨率视频。实验结果表明,本文所提出的CPQE模型在定码率压缩视频数据集上取得了相较于其他工作更优的修复效果。经测试,CPQE模型在中码率数据集上的平均PSNR增益达到0.8d B,在低码率数据集上的平均PSNR增益达到0.76d B,远高于现有的主流修复算法。其中,码率为1Mbit的1080p视频经模型处理后PSNR平均提升0.75d B;码率为0.5Mbit的480p视频平均PSNR增益则达到0.79d B。此外,本模型能够有效去除编码视频中出现的振铃效应、块效应等失真伪影,显著提高人眼主观视觉体验。上述实验结果表明了本文所提出的视频增强模型的有效性,显示了编码先验信息在去压缩伪影任务中的应用潜力。