相比图片和文字,视频能够带给人们更真实、更全面的体验,同时视频也是未来互联网的重点发展方向。随着移动设备的推广以及视频分辨率的不断提高,现有的传输带宽难以满足高质量视频的传输需求。为此,国际视频联合编码组在2013年1月发布了新一代视频编码标准——高效率视频编码,该标准立即成为视频编码领域的研究热点;此外,标准中的编码深度快速算法是国内外专家学者的研究重点。机器学习是目前人工智能研究的热点,本文结合机器学习技术对高效率视频编码中的深度选择算法进行了改进。本文主要工作及创新点如下:一、本文对图像的纹理复杂度进行了量化,深入研究了当前编码块和其四个子块的纹理复杂性与编码块划分结果之间的关系。针对高效率视频编码中现有的帧内算法进行了改进,提出了基于K均值聚类算法的帧内深度决策算法,将表示子块复杂度的四维向量作为K均值算法的输入特征,同时对帧内预测单元使用数量缩减后的预测模式,改进了原有帧内编码复杂度过高的缺点。实验结果表明,相比标准测试平台16.0,本文算法平均节约了 50%的帧内编码时间。二、本文对高效率视频编码中帧间编码深度算法进行了深入的分析,充分研究了编码参数与编码深度之间的关系。本文提出了基于支持向量机的深度选择算法,改进了原有的深度算法,通过对不同视频序列中众多编码参数进行量化和交叉验证的方式选择最优的编码特征子集,改善了帧间编码时间过长的问题。实验结果显示,相比标准测试平台16.0,本文所提出的算法平均降低了 46%的帧间编码时间。三、本文对高效率视频编码的国内外研究现状进行了深入的调研,并认真研究了这些文献中的算法。本文在实现了所提出的改进算法的基础上,最后对当前工作进行了总结,并对未来工作进行了展望。