多媒体物联网系统已被广泛应用于监视、行为自动分析和事件识别，集成了图像处理、计算机视觉和网络等功能。在传统的多媒体物联网系统中，监控摄像头捕获的视频需要传送到远程数据中心来进行视频分析。但由于网络带宽有限，长距离传输大量视频块可能导致拥塞和延迟。如今，移动设备（例如智能手机）拥有丰富的计算和通信资源，因而这些设备具备从监控视频中提取特征的能力。通过向远程数据中心发送少量视频特征，可以避免因传送原始视频块造来的带宽不足问题。　　本文针对视频处理任务卸载到移动设备会的两个关键挑战，即如何最佳地使移动设备形成视频处理组群以及如何将视频块分配给适当的协作性组群，提出了一个基于协作性组群机制的视频处理模型（考虑监控中的人物识别），其目标为在任务截止期限内最大化人物识别准确率。首先，基于截止期限约束、组群形成约束及匹配约束来构建了人物识别准确率最大化问题，其是一个NP-hard的整数非线性规划问题。然后，基于理论和仿真分析将该问题分解为两个子问题，即组群形成子问题和视频块—组群匹配子问题。接着，针对两个子问题，给出了一个面向识别率最大化的视频处理方案，该方案包含协作性组群形成和视频块—组群匹配两种机制。在组群形成机制中，将组群形成子问题构建成一个赢者决策问题（Winner Determination Problem,WDP）并用一个高效的贪婪算法解决，该算法在保证获得次优解的前提下能显著地降低计算复杂度。同时，基于推导的最优匹配理论及组群形成机制获得的协作性组群集，将视频块—组群匹配子问题转化为一个整数线性规划问题，并构建了一个低复杂度的启发式算法来解决。最后，通过Matlab工具的参数仿真和真实试验平台两方面来验证所提模型的性能。参数仿真实验从组群形成算法、视频块—组群匹配分析以及不同方案的人物识别准确率三个方面探究。　　针对真实试验部分，本文搭建了一个基于Docker的边缘协作处理平台。该实验平台使用了两个关键技术，分别为轻量级虚拟化以及Docker集群技术。其中，轻量级虚拟化技术能实现高效运行应用程序且无须考虑复杂的环境配置和程序依赖问题，同时Docker集群技术能实现多个边缘节点之间的协作、资源调度以及均衡负载。　　基于Matlab工具的参数仿真实验证实了所提的最优匹配理论的正确性，并展示了所提的视频处理方案比无协作方案的人物识别准确率高19%以及比随机协作方案高3%。此外，基于Docker的边缘协作处理平台的真实试验表明了多个边缘节点的处理情况优于仅存在单个节点的情况。