随着互联网技术的快速发展，更加方便的上网接入方式和不断完善的网络设施，为用户传输更高质量的多媒体资源提供了基础。流媒体服务的应用日渐广泛，尤其是视频流服务消耗了很大一部分的互联网流量。因此，高效的流媒体传输技术对节约网络资源、满足用户高质量视频体验需求有着极重要的现实意义。　　基于HTTP的自适应流技术（HAS）克服了传统的基于RTP/RTSP的流媒体传输技术和渐进式下载的缺点，能动态选择合适的视频质量，被主流的媒体内容提供商用于实现高质量的视频传输。同时推动了具有平台兼容性良好、可扩展性强的HTTP动态自适应流标准（DASH）的产生。　　流媒体服务十分依赖于网络带宽，所以网络带宽的预测至关重要。现有的一些自适应传输策略存在局限性：直接测量TCP吞吐量带宽的估计方法存在实时性和准确性较差的问题；在多客户竞争的场景下，存在带宽过高估计、码率震荡问题；忽略了终端设备的能力对视频流自适应传输的影响；基于硬编码的视频码率决策机制缺乏灵活性。本文从优化用户体验质量（QoE）的角度出发，研究基于HTTP的视频流传输技术及自适应机制。　　本文的主要工作和成果如下：　　（1）综述流媒体自适应传输技术　　本文在综述各种流媒体技术的基础上，重点介绍了基于HTTP的流媒体技术中动态自适应流技术DASH的基本原理和特点，说明在DASH基础上扩展和设计自适应机制的重要意义。描述了基于QoE的算法目标并总结已有的HTTP码率自适应算法的成果和不足。　　（2）由客户端驱动的混合控制码率自适应机制　　本文提出的混合控制码率自适应机制综合考虑网络带宽和客户端缓存状态。针对流媒体传输对实时带宽的依赖，本文设计了一种直接基于应用层的主动“探测”的机制估算网络实时带宽的方法。为了尽量避免缓存区溢出，本文将缓存状态作为构建平滑因子的关键参数，设计了一种推动缓存数据量趋近均衡级别变化的调度时间策略。针对多客户竞争的场景，本文对确定视频片段下载时间的方法进行改进，解决带宽的过高估计问题，避免视频码率的大幅度震荡。基于本文提出的自适应机制，实现了混合控制自适应算法CBB（Combined with bandwidth and buffer）。实验证明CBB算法在带宽估计的实时性、准确性及避免缓存溢出方面具有优势。　　（3）基于Q-Learning的码率决策方法　　在网络带宽、用户终端环境多变的情况下，以硬编码（Hardcoded）的形式决策码率的方法灵活性偏低。为了增强码率决策的灵活性，本文利用增强学习中常用的Q-Learning算法进行码率决策。首先，对HTTP自适应视频流传输系统环境进行数学建模并且定义状态转移规则。其次，通过量化用户体验质量QoE的三个方面（视频质量等级高低、视频播放期间切换带来的损失、缓存区数据溢出危险性）来构建回报函数。本文将基于Q-Learning的码率决策方法与混合控制自适应机制结合实现自适应算法CBB-RL，实验证明其码率切换的稳定性优于CBB算法。　　（4）实验及算法性能分析　　本文在基于DASH的开源软件库LIBDASH的客户端上实现了四种自适应算法。实际网络带宽下的实验验证了本文算法的有效性，并将其与相关算法进行对比。设计基于可度量QoE的各类性能评估指标，实验结果表明本文实现的算法在这些指标的评估中表现更加良好。