全景视频能够提供丰富的全方位场景信息,为用户提供交互感与沉浸感。但全景视频需要达到4K及以上的分辨率才能满足用户的观影需求。因而与传统视频相比,全景视频需要更大的存储量与传输量。为了支持交互性能,目前的全景视频自适应传输方法是事先将全景视频下采样或量化获得不同码率的视频内容,再依据实时的网络带宽值来选择合适的视频内容传输。但该方法未考虑不同码率的视频内容对于重建质量的影响,导致利用该视频内容重建的图像质量无法获得率失真最优化的结果。近年,由于基于深度学习的视频重建越来越流行,为上述问题提供新的解决思路。本课题的主要研究内容如下:（1）针对目前全景视频的自适应传输方法中,不同码率的视频版本无法获得率失真最优化的重建效果的问题。本文提出了基于GAN网络潜变量的率失真优化算法。首先,本文从视频帧之间的时域与空域的相似性内容出发,受对极平面图启发,创造了能够体现全景视频时空域相似性内容的时空域相似图;GAN网络具有优秀的生成能力,同时多层卷积网络能够提取原始图像比较抽象的特征。为此,本文构建了多层卷积网络与GAN网络相结合的联合网络,并称之为LVAS（latent variables of GAN）网络。该网络通过输入时空域相似图训练,可以提取全景视频的低码率数据以及学习时空域相似性内容来提升重建质量,并将提取出的低码率数据称之为潜变量;最后,为了实现潜变量的比特率与图像质量之间的折衷优化,我们构造了LVAS网网络中基于率失真优化的损失函数,以提高全景视频的编码效率。（2）针对目前全景视频的自适应传输方法中,传输的数据码率有可能远低于连续变化的网络带宽,导致浪费带宽的问题。本文提出了基于GAN网络潜变量量化的码率控制方法。为解决潜变量码率与带宽适配问题,需要控制潜变量码率的大小。在构建的潜变量学习模型中,我们引入了量化参数对潜变量进行编码,以达到控制潜变量码率的目的;由于调节量化参数可以控制潜变量的码率,进而可以实现潜变量码率自适应带宽的变化。因此本文构建了量化参数与潜变量码率之间的关系模型,并应用于潜变量的率失真代价函数中,使得潜变量码率适配带宽同时保持重建质量最优。实验部分在六个全景视频序列上进行测试实验,并将提出的基于GAN网络的全景视频自适应流方法与最新的基于两个全景视频自适应流方法比较,结果表明提出的方法相对于两个前沿方法在率失真性能上BDBR上平均节省了56%的比特率,PSNR均值上有了2d B提升。在码率控制算法方面,在同等带宽情况下,V-PSNR均值上有1.53d B的改善。