随着移动通信技术、视频编解码技术、视频压缩技术的不断发展,移动视频流业务的需求正呈爆炸式增长,其性能评估的重要性日益突显。视频流业务质量的优劣不仅直接影响用户的感受,而且成为业务吸引、保持用户的重要因素。因此,如何有效评估并优化端到端视频流业务的用户体验质量不仅成为网络运营商关心的问题,也成为学术界需要迫切研究和解决的课题。传统的服务质量(Quality of Service, QoS)仅通过丢包率、带宽等一些离散的、客观的指标来衡量业务质量,但这些参数并不能完全刻画无线网络的传输状态是否真实满足用户的需求。用户体验质量(Quality of Experience, QoE)从用户的角度出发,能够比较准确地反映用户对于视频服务的满意程度。论文在分析现有用户体验质量评估技术的基础上,针对无线网络中端到端视频流业务的QoE预测及优化问题进行了研究和探讨。针对无线网络中端到端视频流业务的用户体验质量预测问题,论文引入机器学习理论中模型组合的思想,建立了一种基于梯度提升决策树(Gradient Boosting Decision Tree, GBDT)算法的QoE预测模型。预测模型综合考虑了各类影响参数,分别来自于应用层、网络层、视频内容特征以及用户终端。仿真结果表明,与其它无参考的用户体验质量预测算法比较,我们提出的无参考的用户体验质量预测算法在预测结果准确性及时间复杂度方面都有较好的性能。针对无线网络中端到端视频流业务的用户体验质量优化问题,本文提出了一种基于码率自适应的QoE提升策略。通过在视频源服务器端实时预测QoE,并结合网络拥塞状况的反馈信息,视频流实现了码率的动态适配,从而避免或减轻网络丢包率的产生。仿真结果表明,与固定码率相比,该方案能有效提升用户的体验质量。