随着信息技术的发展和深度学习技术的广泛应用,人们对于更高质量的多媒体内容的需求不断加强,因此对于更低的带宽需求及更加高效的视频内容编解码的技术研究一直是学术界和工业界的研究热点。近年来,深度学习技术在高层及低层计算机视觉任务中取得了巨大的成功,但是大部分任务都是基于时间无关的图像介质,对于时空相关的视频序列处理仍然有很大的研究价值。本文基于深度学习技术,主要介绍以下两个方面的研究工作:一、提出一种基于时序残差网络的视频后处理去块效应算法,创新性地利用视频内容的时序特征进行多尺度的内容增强,同时算法独立于编码器结构以易于使用。二、基于最新的神经网络压缩技术,系统化实现了基于SFP(Soft Filter Pruning)算法的网络剪枝及可视化。没有局限于参考图像去压缩噪声或去高斯噪声的网络结构,我们充分利用视频内容之间的时序特征,针对相邻帧之间的相似内容特征,我们提出一种由粗到细进行内容增强的视频去块效应框架。每层的网络结构参考ARN(Adaptive Residual Network)自适应残差网络结构,用前序层的网络进行粗粒度的噪声特征提取,之后将提取到的残差覆盖到下一帧待处理的视频帧,进行一次预滤波操作,后序的视频帧再次经过相同的网络结构处理相当于进行更加细粒度的噪声特征提取,以此类推,利用三层不同尺度的特征提取以获得更好的去块效应效果。本文提出的多尺度去块效应算法避免了过深的网络结构联合训练的困难,并且取得了目前同类方法中最好的处理效果,在相同的码率条件下,能够平均取得0.6dB～1.0dB的视频质量提升。对于神经网络技术,网络模型的压缩一直是计算理论研究的重点,其中网络可解释性和庞大的计算资源需求一直是该技术广泛应用的重要局限。本文从其参数的重要性程度取舍考量,基于最新的剪枝技术,实现了网络模型的压缩及可视化系统,优化现有算法的存储空间需求及运行速度,将深度网络中的卷积特征进行重要度评分后(Feature Selection),根据裁剪比率裁减掉具有低重要性神经单元。同时基于这种压缩技术和可视化技术我们对神经网络的可解释性进行了一定程度的探索。