随着多媒体和显示技术的发展,3D视频技术逐渐成为视频领域的研究热点。作为最常用的3D视频格式之一,多视点视频加深度（Multi-view Video plus Depth,MVD）格式通过增加深度视频和视点数量等方式为观众提供沉浸式视觉体验。如何在码率受限的条件下对深度视频进行高效编码,成为MVD视频需要解决的关键问题之一。深度视频的内容特性与彩色视频存在较大差异,针对彩色视频提出的方法在深度视频编码时具有一定的局限性。基于此背景,本文针对深度视频编码,结合卷积神经网络数据驱动的特性,从比特分配方案和码率控制模型两个方面进行了研究。本文提出了一种基于卷积神经网络的深度视频区域比特分配方法。在MVD视频中,深度视频主要用于绘制虚拟视点,深度视频的失真会导致虚拟视点中的几何位置发生变化。为了提高深度视频显著性区域的编码质量,本文首先设计了一个彩色信息辅助的深度图显著性提取网络。在对深度视频进行编码时,利用当前视点彩色图像信息辅助网络预测,获得深度图的显著性区域。然后,根据显著性检测结果,将当前帧的编码树单元分成显著的编码树单元（Salient Coding Tree Unit,SCTU）和非显著的编码树单元（Non-Salient Coding Tree Unit,NSCTU）。在已知帧级目标比特的条件下,为SCTU分配更多的目标比特。实验结果表明,所提出的方法能够有效提升深度视频显著性区域的编码质量。本文还实现了一种基于卷积神经网络的深度视频码率控制方法。首先,本文结合深度视频的内容特性,设计了 R-λ码率控制模型参数预测网络,在对深度视频进行编码时,利用当前编码树单元的像素信息预测码率控制模型参数α和β。然后,将训练好的网络集成到3D-HEVC标准参考测试软件平台HTM16.2中,取代传统的通过公式更新模型参数的方法。训练过程中,通过预编码和曲线拟合的方式构建深度视频训练数据。实验结果表明,所实现的方法可以有效提升码率控制的性能,在减少比特率误差的同时,提高了重建深度视频的质量。