随着互联网基础设施的不断完善和智能设备的不断普及，互联网视频的应用越来越广泛，随之而来，人们对互联网视频的期望也越来越高。为了应对用户对于多终端、高清晰度、流畅视频体验的需求，动态自适应流媒体(即DASH)应运而生。本论文主要针对面向动态自适应码率的应用中存在的问题，进行相关的研究。　　首先，本文关注如何提高并发传输动态自适应码率视频的效率。本文提出一种基于Luby-Transform(LT)编码的多服务器HTTP流媒体传输方法。在服务器端，通过对数据进行LT编码，多台异构服务器被等效为一台具有更大带宽的虚拟服务器，客户端可以从多台服务器并行下载任意编码后的数据片段而不用考虑数据分块和服务器调度等问题。为了减少传输过程中由于等待ACK消息而产生的冗余数据（ACK开销），本文提出一种基于流量模型的数据请求算法，构建网络随机模型预测每台服务器需要传输的时间。实验结果表明，与传统的并发传输方法相比，本文提出的方法可以大大降低传输开销、减少HTTP请求次数、获得更好的视频质量，以及对波动带宽有更好的鲁棒性。　　其次，本文针对动态自适应码率中的QoE建模问题进行研究。尽管针对视频的QoE的研究已经有了很长时间的历史，但已有的QoE指标QoE的指标和模型不再适用于互联网视频动态自适应码率的场景。为了更好地利用互联网视频数据的优势，同时更好抓住动态自适应码率的新特性，本文提出了一种数据驱动的动态自适应码率视频QoE建模方法。通过筛选数据集中的相关字段，本文挑选出一系列能够反映DASH自适应流媒体视频质量指标作为模型的特征，选出能够量化用户体验的指标作为模型的输出。同时，本文所提出的建模方法还考虑了能够间接影响用户QoE的外部因素。通过将数据抽取、清洗、离散化，本文把QoE建模问题转换成分类问题。本文先后运用朴素贝叶斯、逻辑斯蒂回归以及决策树等常见的机器学习方法来构建QoE模型，并评估了他们准确度。通过对各个方法的对比测试，本文最终选择决策树作为QoE建模的方法，实验表明本文建立的QoE模型是稳定有效的。　　最后，本论文在基于对动态自适应码率流媒体系统理解的基础上，研究实现了一个面向动态自适应码率流媒体的质量监控系统MSSMonitor。在互联网视频产业，视频广告作为重要的盈利模式，其质量重要性不言而喻。本文先讨论动态自适应码率流媒体系统中广告插入的原理，并分析了可能会影响广告插入质量的因素。在这些分析的基础上，本文以Microsoft Smooth Streaming系统为例，实现了一个广告质量检测系统。测试表明，MSSMonitor系统能实现对于直播和点播视频流的广告质量的检测功能。