由于计算机科学和多媒体技术的不断创新,VR(Virtual Reality,虚拟现实)得到越来越多的关注,作为VR技术重要组成部分的全景视频也在休闲、教育和医学等领域得到了应用。但是,全景视频数据量大、时延敏感的特点对现有传输网络造成了巨大的压力。因此,如何在有限的网络带宽中最大程度地满足多用户的全景视频观看体验至关重要。本文主要从全景视频视口预测和物理资源调度两方面来优化全景视频的传输。近年来,为了降低传输全景视频时的数据量,基于视口自适应的全景视频传输方案得到越来越多的研究。该方案的关键前提就是视口位置的精准预测。本文提出一种基于用户历史观看轨迹的视口预测算法,首先根据当前用户的历史视口数据,使用LSTM(Long-Short Term Memory,长短期记忆)模型初步预测出视口中心位置,然后结合其他用户的视口数据对初步预测结果进行调整以调高准确度。实验结果表明,提出的预测算法在准确度方面比起基准算法有了一定的提升。另一方面,如何科学地调度带宽资源满足全景视频、普通视频等不同业务的用户需求也是研究重点。本文首先研究了 LTE(Long Term Evolution,长期演进)系统中经典的下行资源调度算法,然后针对引入全景视频业务的混合业务场景,以满足用户的QoS(Quality of Service,服务质量)为优化目标,提出一种基于Q-Learning(Q学习)的调度算法。该算法可以根据网络状态在每个调度间隔自适应地选择最合适的调度策略。仿真结果表明,比起经典的调度算法,改进算法可以有效降低全景视频业务的丢包率和时延,并且在混合业务场景中提高实时业务的吞吐量。