伴随着视频技术的迅猛发展,3D视频,3D电影等立体技术逐渐走进并影响人们生活。关于视频压缩技术的研究在逐渐的成为学者们争相研究的热点。新一代高效视频编码技术H.265/HEVC是最新提出的视频编码标准,而3D-HEVC采用“多视点加深度”的编码格式,在H.265/HEVC编码框架的基础上使得三维立体技术有了更进一步的提高。但是较高的编码复杂度和冗长的编码时间使得编码性能不够完善。因此,着眼于这两点的研究是在完善视频编码标准研究内容中的重要研究部分。本文首先研究了 H.265/HEVC以及3D-HEVC编码技术现状,而且对两者的编码框架以及相关的关键编码技术做了分析。在3D-HEVC编码过程中,编码单元(Coding Unit,CU)的划分决策采用的是四叉树结构的递归穷尽搜索的模式,与编码时间的长短有着很直接的关系。所以减少CU划分过程中的时间是提高视频编码效率的一个关键点。本文就3D-HEVC编码过程,对纹理图以及深度图的CU划分过程分别提出改进并进行深入研究。在已有的纹理图CU快速划分过程中,通常是根据CU的纹理特征寻找固定的阈值,以此为判断条件,提前终止CU的四叉树递归划分。这种方法虽然能够起到降低编码时间的效果,但是由于局限性使得对于不同的视频产生的适应性可能不同。本文采用概率神经网络(Probabilistic Neural Network,PNN)分类器,将CU的划分特征值向量作为分类器的输入,而分类器的输出值作为CU的划分判断条件,因此简化了递归的过程。利用采集到的大量CU划分的数据对网络进行训练,并通过测试数据进行测试,对不同的视频序列都可以实现对CU的良好的快速划分。经过实验仿真表明,本文提出的快速算法可以误差范围内,保证视频观看质量不受影响的前提下,平均节省43%左右的编码时间。对于深度图的CU快速划分算法方面,本文利用统计信息和贝叶斯(Bayes)决策规则,对纹理图的最大编码单元(Largest Coding Unit,LCU)和深度图LCU内部的CU划分深度分布进行分析,得出当纹理图LCU内部划分深度全为0时,对应同位置的深度图LCU内部划分深度也全为0;当纹理图LCU内部划分深度全为1时,同位置的深度图LCU内部划分深度利用Bayes决策理论的最小错误率决策规则,对其分布进行分类,当对应深度图的LCU的率失真代价(Rate Distortion Cost,RDCost)与设置的阈值相比较小时,则其划分深度全为0,否则按照四叉树递归划分算法递归划分,寻找最优的CU尺寸。通过实验结果证明,本文提出的深度图LCU快速划分算法能够在保证视频观看质量的同时,平均节省24%左右的深度图编码时间。