随着目标检测、图像分类、异常检测等技术广泛应用于视频监控领域,实时视频分析的需求日益增加。由于视频数据的爆发式增长,基于云数据中心的视频监控系统面临着网络带宽成本昂贵和数据时效性低的问题。作为一种新兴的计算范式,边缘计算可以在接近视频源的网络边缘提供低延迟的视频分析服务。然而,边缘云的计算资源通常受限,如何满足所有用户的低延迟和高准确率需求是一个具有挑战性的问题。特别是在请求数量激增的情况下,视频分析任务的准确率和系统整体的吞吐量难以权衡。本文针对面向视频分析任务的边缘云资源调度技术展开研究。首先,为了解决任务准确率和系统资源利用率的权衡问题,本文详细分析了视频分析任务的视频质量、延迟需求和计算资源约束,构建了细粒度的计算资源与处理准确率映射模型,在此基础上设计了基于分治思想的视频质量与计算资源离线配置算法。考虑到边缘场景下各种任务的最优配置经验值往往是未知的,本文提出了梯度感知的视频质量与计算资源在线配置方法。该方法逐步学习最优配置策略,在长期内最大化准确响应任务的数量。其次,在任务实例部署阶段,考虑到边缘环境因素对算法性能的干扰,为了进一步保障视频分析任务的处理准确率,本文提出了基于帧间相似度比较的视频分析算法选择策略。为了降低视频片段上传带来的网络开销,提高计算效率,该策略采用了基于帧间差分与背景差分相结合的采样机制对视频片段进行预处理。然后该策略把算法选择问题定义为视频源相似度比较问题,通过计算关键帧的核距离为不同时刻、不同区域的视频分析任务自适应选择资源消耗低且满足准确率约束的最佳视频分析算法。最后,本文设计了面向视频分析任务的边缘云平台并实现了在线资源调度器和自适应算法选择器,为用户提供了视频接入管理、流媒体管理等基础能力。实验表明本文提出的方法能够在多种边缘场景下满足用户的准确率需求,并显著地提升准确响应任务的吞吐量。