网络流媒体应用是移动互联网时代应用的热点之一。客户端使用网络流媒体播放器,将视频文件以“块”的形式按顺序下载。通常,为了提高用户的体验质量,让用户拥有一个流畅、高清的视频观看体验,现有的播放器都使用码率自适应(adaptive bitrate,ABR)算法对用户播放的视频的码率进行调整。码率调整的方案是当今流媒体技术要解决的核心问题。虽然已经有大量的有关码率调整的方案被提出(例如,基于缓冲区的BB和BOLA,基于吞吐量预测的RB,结合了缓冲区和吞吐量预测的MPC),但是这些方案都有一个共同的缺点:基于固定规则或是使用简单模型。由于网络环境十分复杂,网络流量与带宽随时会发生突变,现有的方案都无法完全应对不断变化的网络环境,所以每种方法都不能够在所有环境下实现最佳决策。针对这些问题,在分析了最主流的基于吞吐量预测的和基于缓冲区的ABR算法以及实现技术存在其优势与不足的基础上,本文在基于深度强化学习的ABR算法模型Pensieve的基础上,提出了一种新的ABR算法模型。为了解决视频数据集中的块的长度不相同的问题,该模型对视频数据集进行了处理,让块的长度达到了提前设定好的值,从而使模型可以支持更多的视频数据集。接着,该模型利用卷积神经网络把处理后的数据集的特征提取出来,之后将提取出的特征进行融合,最后使用LSTM对融合特征进行处理,使得模型性能得到大幅度提升。实验表明本文提出的基于深度强化学习的ABR算法模型的QoE要高于其他模型,比第二高的模型RB高出约17%,比同类模型Pensieve高出约19%。