超高清全景视频的广泛应用需求,对全景视频传输技术提出了挑战。全景视频从球面投影到二维网格平面后,经过压缩生成待传输的视频流文件。相应的,全景视频传输策略的设计需要考虑投影格式的影响。为了提供用户沉浸式体验,超高清全景视频的空间分辨率极高,需要极大的带宽资源。基于分块的全景视频传输方案需要同时考虑空间和质量的自适应调度,以实现带宽资源受限环境下的用户体验最优。本文针对全景视频传输优化的核心问题,在内容制作和传输过程等方面基于深度强化学习提出了三个解决方案。（1）立方体投影方式常用于投影全景视频。然而默认的立方体投影方法,未能有效考虑前景对象的分布,导致部分前景对象跨越多个投影平面,存在明显的失真。为了解决上述问题,本文提出一种基于深度Q学习（Deep Q-Learning,DQL）的全景图像内容自适应立方体投影方法,通过分析前景对象的分布,在有限次迭代中快速地预测水平旋转角度,优化立方体投影结果。实验结果表明,相比已有的投影优化方法,文中提出的方法有效降低前景对象的失真程度。（2）针对全景视频传输过程的优化,本文提出一种应用于单用户点播场景的全景视频传输方案,该方案采用基础层和增强层的协作传输方式,为用户视口内传输高码率的图块和为用户视口外覆盖低码率的基础块。方案执行时采用视口预测算法准确预测未来数秒内用户视口,又称预测视口;然后使用基于异步优势执行者-评论者算法（Asynchronous Advantage Actor-Critic,A3C）的码率自适应算法选择预测视口内图块的码率,以及动态缩减图块的预取时间以提高视口预测算法的准确率。实验结果证明,在单用户点播场景中,该方案能够在整个传输过程中获得更高的用户质量体验。（3）为了在多用户点播场景中同时优化多用户的观看体验,基于上述方案,本文提出一种应用于多用户点播场景的全景视频传输方案,方案的核心是在内容分发网络的边缘设备（例如基站）中添加边缘计算以及边缘缓存能力。基站使用请求队列收集和整理不同用户的全景视频请求,分析带宽和边缘缓存等因素,使用基于A3C的全局码率算法分配多个用户视口内图块的码率。边缘缓存用于短时间存储频繁使用的图块,便于重复调用。为了进一步高效利用边缘缓存,本文提出一种与视口相关的优化置换算法,有效提高图块置换效率。实验结果证明在多用户场景中,该方案能够在服务端下行带宽不变的前提下,为所有用户提供高质量的沉浸式体验,降低服务端吞吐压力。