用户感知的体验质量（Quality of Experience,Qo E）在网络视频交付体系中占有举足轻重的地位。视频流量作为互联网中最主要的网络流量类型,之前大量的研究被集中在客户端自适应比特率算法的设计上,以提升单个视频用户的Qo E。但是,当多个视频流共享同一瓶颈链路时,客户端的自适应比特率算法只是试图独立的最大化自身的Qo E,而拥塞控制只能提供连接级的公平性,因此目前的视频交付系统存在着用户间Qo E不公平的问题。并且随着视频流量的增长以及网络连接设备的增多,多个视频流共享网络中同一瓶颈链路并争用带宽的可能性越来越高,如何确保视频用户间的Qo E公平性已经变得至关重要。针对多视频流Qo E公平性优化问题中带宽分配不公平导致的带宽利用率低,以及多视频流协同控制中分布式算法难以收敛的问题,设计了一种基于联邦深度强化学习的分布式视频流公平性调度策略。其能够根据自身的播放器状态以及服务器提供的全局特征为当前视频流预测合理的带宽分配权重,再由拥塞控制算法为瓶颈链路中的每个视频流分配与其带宽分配权重相匹配的可用带宽占比,从而达到提升多视频流Qo E公平性的目的。同时,该策略在每个客户端上培训一个本地预测模型并定期执行联邦聚合,以生成最优的全局方案并提升该策略在真实网络中的可推广性。此外,为了降低多视频流场景下环境的不稳定性,构造了包含视频系统整体状态的全局参数以提升分布式算法的性能。实验表明,通过引入基于视频流系统特性重新构造的全局参数作为神经网络的输入能够使算法的Qo E公平性和整体Qo E效率分别提升10和8个百分点,而与目前其他视频流公平性的解决方案相比,Qo E公平性和整体Qo E效率分别提升了10和9个百分点。图17幅;表2个;参51篇。