概述
H.323是国际电信联盟（ITU）的一个标准协议栈，该协议栈是一个有机的整体，根据功能可以将其分为四类协议，也就是说该协议从系统的总体框架（H.323）、视频编解码（H.263）、音频编解码（H.723.1）、系统控制（H.245）、数据流的复用（H.225）等各方面作了比较详细的规定。
H.323是一种标准的音视频传输协议，能够实现远程提审功能。由一组协议构成，其中有负责音频与视频信号的编码、解码和包装，有负责呼叫信令收发和控制的信令，还有负责能力交换的信令。H.323的第4版本具备做电信级大网的特征，以它为标准构建的IP电话网能很容易地与传统PSTN电话网兼容，从这点上看，H.323更适合于构建电话到电话的电信级大网。
H.323协议族规定了在主要包括IP网络在内的基于分组交换的网络上提供多媒体通信的部件、协议和规程。H.323一共定义了四种部件：终端，网关，网守和多点控制单元。利用它们，H.323可以支持音频、视频和数据的点到点或点到多点的通信。
H.323协议族包括：用于建立呼叫的H.225.0、用于控制的H.245、用于大型会议的H.332 以及用于补充业务的H.450.X等。H.323
协议中包含3条信令控制信道：RAS信令信道、呼叫信令信道和H.245 控制信道。3 条信道的协调工作使得H.323的呼叫得以进行。
体系结构
为了能在不保证QoS的分组交换网络上展开多媒体会议，制定了该协议，该系列标准使得在现有通信网络上进行视频会议成为可能，为LAN、WAN、Internet、因特网上的多媒体通信应用提供了技术基础和保障。现有的分组网络PBN（如IP网络）提供多媒体通信标准。
从整体上来说，H.323是一个框架性建设，它涉及到终端设备、视频、音频和数据传输、通信控制、网络接口方面的内容，还包括了组成多点会议的多点控制单元（MCU）、多点控制器（MC）、多点处理器（MP）、网关以及关守等设备。
它的基本组成单元是"域"，在H.323系统中，所谓域是指一个由关守管理的网关、多点控制单元（MCU）、多点控制器（MC）、多点处理器（MP）和所有终端组成的集合。一个域最少包含一个终端，而且必须有且只有一个关守。H.323系统中各个逻辑组成部份称为H.323的实体，其种类有：终端、网关、多点控制单元（MCU）、多点控制器（MC）、多点处理器（MP）。其中终端、网关、多点控制单元（MCU）是H.323中的终端设备，是网络中的逻辑单元。终端设备是可呼叫的和被呼叫的，而有些实体是不通被呼叫的，如关守。H.323包括了H.323终端与其它终端之间的、通过不同网络的、端到端的连接。
终端组成
终端是分组网络中能提供实时、双向通信的节点设备，也是一种终端用户设备，可以和网关、多点接入控制单元通信。所有终端都必须支持语音通信，视频和数据通信可选。
在发端，从输入设备获取的视频和音频信号，经编码器压缩后，按照一定格式打包，通过网络发送出去。在收端，来自网络的数据包首先被解包，获得的视频、音频压缩数据经解码后送入输出设备，用户数据和控制数据也得到了相应的处理。它所包含的各个功能单元及其标准备或协议分别是：
视频编解码（H.263/H.261）：完成对视频码流的冗余压缩编码。
音频编解码（H.723.1等）：完成语音信号的编解码，并在接收端可选择地加入缓冲延迟以保证语音的连续性。所采用的标准为ITU-T的H.723.1，它提供5.3kbit/s和6.3kbit/s两种码率，采用线性预测综合分析编码方法，分别使用代数码本激励线性预测和多脉冲最大似然量化，从而各自获得编码复杂度和质量的优化。
各种数据应用：包括电子白板、静止图像传输、文件交换、数据库共存、数据会议、运程设备控制等，可用的标准为T.120、T.84、T.434等。
控制单元（H.245）：提供端到端信令，以保证H.323终端的正常通信。所采用的协议为H.245（多媒体通信控制协议），它定义了请求、应答、信令和指示四种信息，通过各种终端间进行通信能力协商，打开/关闭逻辑信道，发送命令或指示等操作，完成对通信的控制。
H.225层：将视频、音频、控制等数据格式化并发送，同时从网络接收数据。另外，还负责处理一些诸如逻辑分帧、加序列号、错误检测等功能。
通信原理
在H.323多媒体通信系统中，控制信令和数据流的传送利用了面向连接的传输机制。在IP游戏栈中，IP与TCP协作，共同完成面向连接的传输。可靠的传输保证了数据数据包传输时的流量控制、连续性以及正确性，但也可能引起传输时延以及占用网络宽带。
H.323将可靠的TCP用于H.245控制信道、T.120数据信道，呼叫信令信道。而视频和音频信息采用不可靠的、面向非连接的传输方式，即利用用户数据协议UDP（User Datagram Protocol）。UDP无法提供很好的QoS，只提供最少的控制信息，因此传输时延较TCP小。 在有多个视频流和音频流的多媒体通信系统中，基于UDP和不可靠传输利用IP多点广播和由IETF实时传输协议RTP处理视频和音频信息。IP多播是以UDP方式进行不可靠多点广播传输的协议。RTP工作于IP多播的顶层，用于处理IP网上的视频和音频流，每个UDP包均加上一个包含时间戳和序号的报头。若接收端配以适当的缓冲，那么它就可以种用时间戳和序号信息"复原，再生"数据包、记录失序包、同步语音、图像和数据以及改善边接重放效果。实时控制协议RTCP用于RTP的控制。RTCP监视服务质量以及网上传送的信息，并定期将包含服务质量信息的控制信息包发分给所有通信节点。
在大型分组网络如因特网中，为一个多媒体呼叫保留点足够的宽带是很重要的，也是很困难的。另一个IETF协议--资源预流协议RSVP允许接收端为某一特殊的数据流申请一定数量的宽带，并得到一个答复，确认申请是否被许可。虽然RSVP不是H.323标准的正式组成部份，但大多数H.323产品都必须支持他，因为宽带的预流对IP网络上多媒体通信的成功至关重要，RSVP需要得到终端、网关、装有多点处理器的MCU以及中间路由器或交换机的支持。
相关的音视频协议
- H.225.0适用于不同类型的网络，其中包括以太网、令牌环网等。H.225.0通信的范围是在H.323网关之间。
- H.245协议定义了主从判别功能，当在一个呼叫中的两个终端同时初始化一个相同的事件时，就产生了冲突。例如，资源只能被一个事件使用。为了解决这个问题，终端必须判断谁是主终端，谁是从终端，主从判别过程用来判断哪个终端是主终端，哪个是从终端。终端的状态一旦决定，在整个呼叫过程期间都不会改变。