视频监控系统是物联网的重要应用,其产生的海量物联网数据以及用户对于低时延和智能化系统的服务质量要求给整个系统带来了巨大的挑战。为了应对该挑战并且及时、准确地获取有用的监控信息,系统不仅需求高效的图像识别算法,更为关键的是如何解决计算和通信资源的瓶颈。近年来,“边缘+AI”成了智能化解决海量数据处理的一种可选项,也被广泛地使用。“边缘”是指移动边缘计算（Mobile Edge Computing,MEC）技术,能够将云端的计算能力部署到视频监控系统的网络边缘,能够很好地支持计算密集型和时延关键型任务。另一方面,很多人工智能（Artificial Intelligence,AI）算法开始被应用于图像识别、压缩以及计算卸载、资源分配等领域,利用深度神经网络对各项任务处理进行智能化决策。本文以人脸识别应用为例,先研究如何利用移动边缘网络构建视频监控系统,并基于强化学习（Reinforcement learning,RL）方法对各个系统中任务的计算卸载和通信资源的分配进行设计和优化。然后,研究如何搭建支持视频捕捉和数据传输的开放无线接入网（Open Radio Access Network,ORAN）视频监控平台。首先,针对单摄像头的视频监控场景,研究识别任务计算卸载和图像压缩率选择的联合决策算法设计和优化。为了实现系统的高识别准确度和低识别时延,分别对图像识别算法和计算卸载策略进行设计。一方面,在摄像头传感器端采用复杂度较低的局部二值模式（Local Binary Pattern,LBP）识别算法,在后端MEC服务器端采用复杂度较高的卷积神经网络（Convolutional Neural Network,CNN）识别算法,通过前后端协作处理完成识别任务;另一方面,利用动作-值方法和-贪婪算法,通过共同优化卸载策略和图像压缩参数来训练系统的决策。仿真结果表明采用的动作-值方法相比于其他策略,能够提高识别任务计算卸载的效率,获得了更高的识别准确度和较低的处理时延;-贪婪算法能够在通信环境条件变化的情况下,自适应地调整决策策略并获得较好的性能表现。然后,针对多摄像头的视频监控场景,研究识别任务计算卸载、信道资源分配和图像压缩率选择的联合决策算法设计和优化。利用强化学习中的深度Q网络（Deep Q-Network,DQN）算法作为决策算法来解决维度诅咒对传统迭代式求解法的影响。此外,为了减少训练的参数以节省计算和存储资源,提出了一种两层学习框架,即DQN和基于反向传播神经网络的多层网络（DQN and Layers based on Back Propagation Neural Network,DQN+NN）算法。仿真结果表明,提出的两种RL方法都提高了决策性能,DQN+NN算法无论是收敛速度还是整体收益值表现上都要好于其他策略。最后,为了支持视频、图像等识别任务的数据传输,搭建了面向视频监控的ORAN平台。使用Open Air Interface（OAI）搭建核心网（Evolved Packet Core,EPC）和4G基站（evolved Node B,e NB）,并使用USRP B210对信号进行收发。接着对ORAN平台各部分进行编译测试,验证了平台的连通性,并进行了数据传输速率测试。此外,通过树莓派4B和USB摄像头连接搭建的ORAN平台实现了对视频的捕捉。通过Open CV编程实现树莓派实时回传监控视频,并能够展示在远程服务器终端上。