3D视频通过增加视点数目、深度数据等方式提供立体深度感知。作为3D视频的重要组成部分，深度视频反映了场景中物体的远近和分布状况。与传统的平面彩色视频相比，深度视频具有显著的差异，因此需要研究更为高效的深度视频压缩编码方法。近年来，以卷积神经网络为代表的深度学习技术快速发展，在视频处理和计算机视觉理领域取得了丰硕的成果，为进一步提高深度视频编码性能提供了新的思路。本文以卷积神经网络技术为基础，基于深度视频特性，开展了基于卷积神经网络的深度视频编码研究。
　　本文实现了一种基于卷积神经网络的深度视频变分辨率帧内预测编码方法。深度视频内容由大面积平滑或缓慢变化区域和锐利的边缘区域组成。本文从深度视频的内容特性入手，首先对输入的深度视频编码单元进行下采样，以降低编码单元的分辨率、压缩空间冗余。然后，基于传统编码框架对低分辨率的深度视频编码单元进行编码，并采用基于多级特征融合的上采样网络对重建的编码单元进行上采样，以恢复编码单元的原始尺寸。实验结果表明，所实现的方法能够有效提升深度视频的编码效率。
　　本文提出了一种彩色信息引导的深度视频变分辨率帧内预测编码方法。在3D-HEVC编码标准中，每个视点内均包含了彩色视频和深度视频，编码深度视频时，对应的彩色视频已经完成编码。本文首先对深度视频进行低分辨率编码，然后基于深度视频与对应彩色视频间的相关性，设计了一种彩色信息引导的双流网络对深度视频编码单元进行上采样重建。该网络通过级联的残差编码单元提取深层特征信息，并基于彩色流提取对应已编码彩色单元的特征，以辅助深度视频编码单元的上采样重建。实验结果表明，所提出的方法进一步提升了深度视频的编码性能。