视频作为人们获取信息最快捷、高效的数据形式,已经成为了人们日常生活以及互联网数据中最重要的组成部分。随着互联网和自媒体的蓬勃发展,每天都会有海量的视频数据涌入互联网,这对网络带宽、终端设备的存储能力等都带来了挑战。因此,视频编码,旨在减少视频数据量的同时不引入过多的失真,就成为了诸多以视频为主要媒介的应用场景的核心技术之一。高效视频编码标准（High Efficiency Video Coding,HEVC）主要通过帧内预测、帧间预测、变换量化等模块去除视频图像中存在的空域、时域、频域等冗余信息。其中,帧间预测用于去除视频帧之间大量存在的时域冗余,其效率在很大程度上影响了整体编码效率。在帧间预测过程中,参考帧作为运动估计和运动补偿的基础,其质量的高低将很大程度上影响帧间编码的效率。为了提高参考帧的质量,很多研究通过利用视频插帧算法生成与编码帧相关性更强的全新参考帧,很好地提升了帧间预测的效率。然而,这些算法在运动模糊场景下难以保持较好的鲁棒性。运动模糊是普遍存在于日常拍摄视频中的一种现象,不规则的运动模糊会使得相邻帧之间的相关性大大降低。目前也有一些针对运动模糊场景的研究尝试通过基于运动方向的滤波器来提升参考帧质量,然而这些方法都存在着需要运动向量先验信息、滤波系数泛化性差等问题,并没有很好地解决运动模糊场景下帧间预测效率低的问题。为了提升运动模糊视频帧间预测过程中参考帧的质量,并克服以上研究的局限性,本文提出了基于参考帧预测网络的运动模糊视频帧间编码算法。具体地,本文的主要工作由以下三个部分构成:（1）建立了面向编码任务的运动模糊视频数据集;（2）设计了面向运动模糊场景的参考帧预测网络;（3）将参考帧预测网络集成到HEVC。经实验,本文提出的算法在随机接入模式下与HEVC标准参考软件HM16.9相比可以平均节省1.21%的BD-rate。其中,在运动模糊视频数据集中,本算法可以平均取得1.55%的增益;而在HEVC通用测试序列中,也仍然可以取得平均0.65%的增益。这一结果表明,本文提出的算法可以很好地提升运动模糊视频序列的帧间编码效率,并且同时还能在普通视频序列中保持较好的鲁棒性。