随着通信、计算机技术的发展,数字电视、视频会议等传统媒体产业爆炸式发展,这给数据存储和网络传输带来了巨大挑战。数字视频压缩编码在其中起到了巨大的作用。例如目前应用广泛的高效视频编码H.265/HEVC（High Efficiency Video Coding）,还有最新发布的H.266/VVC（Versatile Video Coding）视频框架。同时,随着人工智能和5G时代的到来,人们生活方法发生了巨大转变,碎片化时间的增加,从而由短视频在内的新型多媒体应用开始逐步丰富人们的日常生活,由于短视频的尺寸小,适用于终端播放,因此给视频编码带来了新的挑战,具体来说,短视频分辨率低,可以从帧级进行处理,但是目前的编码器并未基于这一点做优化。另外,短视频多在移动端播放,对编解码端的复杂度有一定的要求。再者,近年来,随着神经网络及人工智能技术的发展,在多媒体领域,以卷积神经网络为代表的深度学习等人工智能技术取得了令人瞩目的成果。因此,本文围绕短视频当前所面临的挑战,结合短视频特征,在HEVC和VVC视频编码框架的基础上,从环路滤波模块入手,使用深度学习技术提升短视频编码中环路滤波的性能。具体的工作集中在两个方面。其一,本文结合神经网络技术,设计了基于Inception单元的轻量级滤波模型,模型层数权衡了网络复杂度与输出性能之间的关系,最终嵌入到HEVC中,形成了完整的视频框架。该模型能够提高短视频序列编码的客观质量,降低码率。其二,本文根据最新的VVC编码框架,设计了基于密集连接块的滤波网络模型,考虑到网络的复杂程度,结合滤波模块中各技术分析,设计的滤波模型取代了框架中SAO（Sample Adaptive Offset）和ALF（Adaptive Loop Filter）,放置在VVC视频编码技术的DF之后。相比于VVC的标准软件,本文的方法同样实现了短视频的高效编码。