在多层覆盖网络条件下,移动设备可同时接入多重网络。这意味着可以通过网络间相互协作共同保障视频业务体验质量(Qualityof Experience, QoE)。但由于网络状况的不确定性和接入方式的复杂性,网络资源管理的难度也将增加。如何在该场景下准确感知视频业务用户QoE,并通过一套反馈机制及时自适应地根据QoE调整网络资源分配,以在QoE下降时优化体验,是一个值得研究的课题。为了研究符合人主观感受的视频业务QoE感知方法,本文首先分析了视觉选择感知机制,将视线轨迹用最大熵随机游走理论建模,并提出超像素分割、二层邻域搜索和置信传播三大步骤提升准确率且降低计算复杂度,建立了与人眼感知相一致的感兴趣区域提取模型。在此基础上,本文提取了视频帧基于感兴趣区域(Region of In-terest, ROI) 加权的多维特征。然后对单帧特征进行加权聚合,最后用集成学习方法进行视频QoE感知模型训练,使得感知预测结果与主观评分基本一致。在能准确感知QoE后,本文提出了一种仿生的基于吸引子构成的QoE优化方法。该方法能及时根据QoE变化,自适应地调整视频业务在每个接入网络上的流量占比,从而找到合适的分配比例达到优化视频QoE的目的。