随着生活水平的提高,人们对图像和视频的质量要求越来越高,并对全景图像和视频等新兴媒体格式的需求日益增加。在现有的视觉信号传输系统中,这些视觉信号需要经过采集、压缩和传输等过程才能到达人们手中。而在这些过程中,部分视觉信号会由于不可避免的失真出现明显的主观质量下降。因此,优化视觉信号的传输策略、评估视觉信号的主观质量以及增强低质量的视觉信号对于视觉信号传输系统非常重要。然而,视觉信号的传输、评价与增强充满挑战。对于视觉信号传输,由于用户偏好的多样性,固定的传输策略难以满足不同用户的偏好。对于视觉信号评价,由于视觉信号的内容多样性,启发式的评价方法难以挖掘视觉信号中的局部质量相关性。对于视觉信号增强,由于失真类型的多样性,启发式手动设计增强网络难以适配不同失真。因此,本文针对视觉信号传输的用户偏好多样性、视觉信号评价的视觉内容多样性和视觉信号增强的失真类型多样性问题开展了视点自适应、视场交互自适应和神经网络结构自适应等时空自适应技术研究。本文的主要研究内容如下:首先,研究了视点自适应的全景视频传输。针对全景视频传输中用户视点偏好种类多、全景分区码率控制难度大等问题,本文提出了基于跨用户信息的视点预测模块和基于串行强化学习的码率决策模块,实现了根据不同用户的视点偏好自适应地调整全景视频不同区域的传输质量,并通过真实数据驱动的仿真实验进行验证。其次,研究了视场交互自适应的全景图像质量评价。针对全景图像质量评价中视场图像特征提取层次单一、视场间交互关系捕捉困难等问题,本文提出了多层次特征提取模块和交互自适应的超图卷积网络,实现了根据不同全景图像内容自适应地捕捉视场间复杂的交互关系,并在两个全景图像质量评价数据集上进行了验证。最后,研究了神经网络结构自适应的图像和视频增强。针对图像和视频增强中自动设计增强网络空间复杂度高、帧级别的参考帧结构搜索难度大等问题,本文提出了一种内存友好的可微神经网络结构搜索方法和一种一次性神经网络结构搜索方法,实现了根据不同失真的时空信息自适应地设计图像和视频增强网络,并在图像去雨、图像去噪和视频去压缩失真任务上进行了验证。