随着多媒体时代的到来,视频数据大量地出现在人们的日常生活中。视频数据具有连续性强、数据量大的特点,因此视频压缩技术对于视频的储存与传输具有重要意义。近年来,深度学习在许多领域取得了突破性成果,也给出了视频压缩技术新的解决方案,基于深度学习的视频压缩成为了一个备受关注的全新领域。目前该领域的研究取得了一定的成果,但是视频的压缩性能仍然有可以提升的空间,值得继续研究。本文以基于深度学习的视频压缩为研究内容,包含帧内压缩与帧间压缩,主要工作如下:（1）为了提升卷积神经网络模型的帧内与帧间压缩性能,受到注意力机制的启发,本文设计了密集块注意力单元,将注意力机制引入卷积神经网络中,提升了神经网络的拟合能力。此外受到密集连接网络的启发,密集块注意力单元采用了密集连接的设计,使该模块可以得到更加充分的训练。（2）本文提出了一种基于注意力机制的帧内压缩算法。该算法采用卷积神经网络对输入图像提取特征信息,将特征信息进行量化与算术编码,实现视频的帧内压缩。通过引入注意力机制与质量增强网络,算法的帧内压缩性能有显著的提升,与已有基于卷积神经网络的帧内压缩算法相比,本文算法在压缩性能上具有明显的优势。（3）本文提出了一种基于多帧信息融合的帧间压缩算法。该算法利用光流进行运动补偿,消除视频的时间冗余。为了减小视频压缩带来的损失,设计了重建帧质量增强网络,利用多张参考帧,采用卷积神经网络对重建帧进行质量增强。通过引入注意力机制与重建帧质量增强网络,本文算法实现了高效的帧间压缩。