随着视频业务的不断发展,高效的视频编解码方法逐渐成为研究热点。新一代的视频编解码标准(High Efficiency Video Coding,HEVC)由于具有较高的压缩效率,并且对不同分辨率和不同格式视频都有良好的支持,逐渐成为目前的主流标准。HEVC沿用了以往的混合编码框架,内部的预测和增强等步骤均由传统算法完成。这些算法虽然具有较低的复杂度,却不能很好地适应如今日益丰富的视频内容,使得HEVC编码性能受限。为了进一步提高HEVC编码效率,本文结合视频编解码的特性,提出了基于数据驱动的高效视频压缩算法,主要研究内容如下:1)提出基于多尺度融合的HEVC环内滤波算法。由于HEVC采用基于编码单元的四叉树块划分结构,其产生的压缩失真具有多尺度相似性。此外,由于视频编解码对于实时性要求较高,因此滤波算法应该具有较低的模型和时间复杂度。基于这两点,本文提出了基于多尺度融合的HEVC环内滤波算法。首先,利用循环残差结构来更好地捕捉具有多尺度相似性的压缩失真。接着,在保证环内滤波性能的同时,采用共享卷积层参数的方式来有效地降低模型复杂度。实验结果表明,相较于HEVC的默认环路滤波器,本算法在All Intra,Low-Delay P以及Low-Delay B压缩配置下分别具有6.7%,7.8%和7.6%的BD-rate降低。2)提出基于多任务的HEVC插值算法。为了提高运动矢量精度进而降低预测残差,HEVC采用多抽头插值滤波器来预测分数位置像素。由于待插值帧经由编解码重建而来,其具有不可避免的噪声损失。因此,HEVC内的插值算法应额外考虑待插值帧的噪声特性,避免将噪声传播至插值像素,从而影响预测精度。基于此,本文提出了基于多任务的HEVC插值算法。该算法首先利用多任务学习的方式捕捉待插值帧的失真特性,为后续插值过程提供噪声的先验知识。随后采用反卷积结构统一生成不同分数位置的插值像素,有效地降低算法复杂度。实验结果表明,相较于HEVC的默认插值滤波器,本算法在Low-Delay P,Low-Delay B以及Random Access压缩配置下,分别具有5.1%,4.2%以及1.8%的BD-rate降低。3)提出基于特征非对称融合的视频帧盲增强算法。不同量化参数下的压缩视频仍采用相似的编码结构和预测模式,因此不同量化参数下的压缩失真同样具有特征相似性。实验表明,欠增强(利用低量化参数训练得到的网络来增强高量化参数编码的视频)的增强性能要优于过增强(利用高量化参数训练得到的网络增强低量化参数编码的视频)。基于这两个增强特性,本文提出了视频帧盲增强算法。首先,采用渐进式特征提取结构统一提取不同量化参数下的增强特征。接着,利用过增强和欠增强的不同特性对不同量化参数下的增强特征进行非对称融合,从而实现最优的盲增强性能。实验证明,该盲增强方法在不同压缩配置以及不同量化参数下均有超过0.5d B的PSNR提升。