根据思科全球移动数据流量白皮书(2016-2021)的预测显示,视频流量在2021年将占到全球移动数据流量的四分之三。为应对视频数据爆炸式增长的需求,国际标准组织MPEG联合各大科技公司制定了HTTP自适应流(HTTP Adaptive Streaming,HAS)技术的国际标准(Dynamic Adaptive Streaming over HTTP,DASH),亦称为MPEG-DASH标准。MPEG-DASH标准对音视频的内容格式、传输方式和业务控制等都规定了具体的技术参数,但开放了客户端视频片段获取策略的定义。因此,研究码率自适应算法对视频数据按照MPEG-DASH标准进行播放具有较大的应用价值。现有的码率自适应算法大多是基于启发式方法的实现,该方法一般是根据特定网络条件通过硬编码实现码率的自适应,这导致基于该方法的码率自适应算法无法有效应对网络环境的变化。此外,也有不少学者利用强化学习算法应对网络环境变化情况下的码率自适应问题,这些算法往往采用强化学习中的Q学习算法来学习得到优化码率自适应的策略。尽管相比较于启发式方法,Q学习能获得较高的用户体验质量,但Q学习却存在难以编码连续的状态值和在大状态空间下学习收敛慢的不足。为此,本文结合最近邻算法,设计了一个可以处理状态为连续值情况下的Q学习算法。此外,针对Q学习收敛速度慢的不足,结合大脑关于神经元群体编码的理论,提出了一个群体编码Q学习算法。论文的主要工作总结如下:1.结合最近邻算法,设计了一个可以处理状态为连续值情况下的Q学习算法。实验结果表明,基于最近邻Q学习的码率优化算法具有更高的用户体验质量。2.针对Q学习在大状态空间下收敛速度慢的不足,结合大脑关于神经元群体编码的理论,提出了一个群体编码Q学习算法。3.开发了流域水质监测的视频流数据管理平台,达到了全流域实时监测、集中式统一管理以及多监测点间联动监测预警的效果。