随着人们生活水平的日益提高和多媒体视频技术的快速发展,传统平面视频已经无法满足用户对立体视觉效果的需求,自由视点视频系统（FVV,Free Viewpoint Video）便应运而生。FVV系统包含视频内容的采集、编码、传输、解码、绘制和显示等步骤,可以让用户自由选择观看任意视点上的内容。但是,若系统对场景下的所有视点内容进行采集和传输,则会带来数据量过于庞大的问题。因此FVV系统采用基于深度图的绘制方法（DIBR,Depth Image Based Rendering）来解决多视点观看需求所带来的大数据量问题。该方法仅需要在编码端采集若干个有限视点的内容就可以在解码端绘制出任意位置的虚拟视点,极大地节省了网络传输的带宽。由于限于深度图的质量和DIBR技术等原因,在绘制图像中会不可避免的出现空洞问题。如果空洞被错误填补,则绘制的虚拟视点图像中将出现伪影和物体形变等多种失真,进而严重影响用户的主观视觉感知。近年来,机器学习技术在图像去噪、识别和修复等领域中取得了优异的效果。因此,针对FVV系统中DIBR技术所存在的绘制空洞问题,本文使用机器学习的方法对虚拟视点绘制中的空洞进行填补,提高虚拟视点绘制的质量。（1）针对传统算法对虚拟视点空洞填补后依然存在视觉感知较差的问题,本文提出了一种基于卷积神经网络的虚拟视点空洞填补算法。该算法包括图像预处理、特征提取和空洞填补三部分。首先,对双视点虚拟视点图像进行预处理,即利用DIBR技术得到空洞填补前的图像和空洞掩膜;然后,通过卷积神经网络对虚拟视点图像提取多维特征,针对空洞区域,使用结构相似性损失函数优化网络;最后,利用提取的特征填补虚拟视点中的空洞。实验结果表明,本文算法能在较好保留虚拟视点图像中前景和背景的锐利边缘的同时,有效地填补了空洞区域。无论是主观视觉感知还是客观质量评价方面,本文算法均取得了令人满意的结果。（2）为进一步提高虚拟视点绘制的质量,本文提出了基于边缘学习的虚拟视点空洞填补算法。考虑到现有绘制序列的场景及数量有限,构造一个具有边缘空洞的自然图像数据集。首先,下载五万张自然图像并提取符合虚拟视点绘制空洞出现规律的边缘掩膜。然后,将不同尺寸的边缘掩膜添加到原始自然图像中得到不同尺寸空洞的构造数据集。本文利用提出的空洞填补网络在构造数据集上进行训练,并将构造数据集和绘制场景数据集导入训练模型进行测试。主观实验结果表明,在大尺寸空洞构造数据集上所训练得到的网络模型对上述两类图像均具有较好的空洞填补效果。同时,也验证了构造数据集的合理性和提出网络模型的有效性。为准确学习到虚拟视点图像空洞填补的规律,利用空洞填补网络在含有构造数据集和绘制场景数据集组合的数据集分别进行训练,最后对虚拟视点空洞图像进行测试。实验结果表明提出算法能够有效地填补虚拟视点图像的空洞,提高了绘制图像的视觉感知质量。