FFmpeg 处理多媒体文件的过程类似于一条流水线，依次经过多个关键步骤，以完成对音视频数据的解析、处理和重新封装。
当通过 -i 指定输入的媒体文件后，ffmpeg 会调用 解复用器（Demuxer） 读取输入源，提取全局属性（如分辨率、帧率、音频采样率等）和基本 输入流 （例如视频流、音频流和字幕流等）。通过参数选择保留或丢弃特定的流，可以实现像是删除字幕、音频等功能。
在提取出基本流后， ffmpeg 会根据需要将其传递给 解码器（Decoder） 进行解码，将压缩的音视频数据转换为 原始帧（Raw Frames） 。 如果用户选择直接复制流（如 -c copy ），则可以跳过解码步骤，直接将数据传递到后续的封装阶段。
如果需要对音视频进行处理，解码后的原始帧会被送入 滤镜图（Filtergraph） 进行进一步的编辑，例如调整音量、裁剪画面、缩放分辨率、添加字幕或进行更复杂的音视频合成操作。
FFmpeg 提供了两种滤镜处理方式： 简单滤镜图（Simple Filtergraph） 适用于单个输入和输出流的基本操作，而 复杂滤镜图（Complex Filtergraph） 则用于处理多个输入/输出流。
经过滤镜处理后的音视频数据会被送入 编码器（Encoder） 进行重新压缩。最终，编码后的音视频流会交由 复用器（Muxer） 进行封装，生成最终的输出文件。