这些年,随着互联网的快速发展,移动互联网设备的普及,人们的生活到处充满着多媒体信息。HEVC技术标准已经能基本满足现在人们对多媒体信息的传输需求,但是随着5G网络的商业普及和人工智能的快速发展,多媒体信息的总量呈现爆炸式增长,所以,探索更加高效的视频编解码技术是当前研究的热点。最近几年,因为GPU性能的高速发展,以深度学习技术为基础的人工智能领域得到了飞速发展,正因为深度学习技术已经成功的应用于计算机视觉,自然语言处理,语音识别等领域,大量的研究正在尝试将深度学习技术引入视频编解码领域,而且取得了一些显著的成果,但是依然有很多问题值得去研究。本文是对视频编解码框架中的三个重要模块进行探索,结合了深度学习技术对现有的编解码框架做性能提升。本文将涉及视频编解码框架中的三个模块,分别为帧内预测,帧间预测和环路滤波模块。经过多种方法的尝试,成功的将深度学习技术应用到环路滤波和视频后处理中,并超过了当前的研究结果,取得了业界领先指标。本文的具体的研究内容分为以下三个部分:第一,介绍了关于深度学习的基础理论知识。第二,介绍自己利用深度学习技术在视频编解码中的帧内预测和帧间预测两个模块的探索。第三,重点介绍了利用端到端的深度卷积神经网络对编码视频进行环路滤波和视频后处理,现有的神经网络都是基于单帧输入进行设计,没有考虑前后帧的信息,但是在编码视频中,当前帧的编码是参考了前后帧的信息的,所以引入当前帧的上下文信息,有助于当前帧的信息重构,达到更好的质量增强效果。为了充分利用视频中前后帧的信息,本文引入了高效的光流网络来做运动补偿,然后结合ConvLSTM网络来融合前后帧信息,并设计了高效的蒸馏网络去进行滤波,同时,引入了对抗生产网络的结构,来对进一步提升视频结果的主观指标,取得了显著的成果。