近年来,随着人们对流媒体的业务需求的不断增长,如何在有限的带宽资源下最大限度地解决视频的质量问题及提高用户对流媒体传输的Qo E(Quality of Experience)成为了研究热点。码率自适应算法的提出的目的在于对流媒体进行智能传输控制,进而充分利用网络中可用的带宽,为用户带来更好的流媒体视频播放体验。然而,当前的码率自适应算法忽略了视频类型的差异性对Qo E指标的影响。这会使得算法出现对于特定视频类型选取低视频质量播放或者高时延的现象,影响用户体验的同时也造成了带宽的浪费。因此,本文针对视频类型的Qo E评价模型进行码率自适应算法的寻优,本文的主要工作及创新点如下:第一,分析了当前流媒体及DASH(Dynamic Adaptive Streaming over HTTP)技术的发展现状,对三类码率自适应算法的背景和发展做了全面的总结。依据长视频,短视频和直播视频类型针对Qo E各项指标的敏感度不同,提取视频类型相应的传输参数,并采用视频分类因子制定适合于不同视频类型的Qo E,建立模型分析相关参数的变化规律。采用Actor-Critic算法制定与视频类型相适应的码率自适应算法C-ABR,经实验验证,本方法的平均归一化Qo E比Pensieve算法提升7%,比MPC算法提升20%。第二,对直播场景中用户对传输时延的需求进行分析,详细分析直播场景中时延的构成因素,列举降低直播时延相关工作,将时延纳入Qo E评价体系,采用DQN(Deep Q-learning)和A3C(Asynchronous advantageactor-critic)强化学习方法,对播放器缓存进行控制,设计实现相应的低时延码率自适应算法,对比了当前码率自适应算法Pensieve在强网,弱网,波动网络条件下的表现,在牺牲了有限码率得分的前提下,分别将平均时延降低29%、69%和68%。综上所述,本文通过探究不同视频源的传输特性与时延需求制定分类Qo E,并采用强化学习方法,依据视频源对Qo E各项指标的需求差异制定码率自适应算法,随着人工智能时代的到来与发展,有针对性的训练网络与制定算法势必会是大势所趋。本文的研究成果对于提升流媒体视频质量具有一定的学术意义和参考价值。