近年来,自动驾驶、智慧城市、物联网、虚拟现实与增强现实等应用极大地丰富了人们的生活。该类应用都依赖于视频流的实时分析处理,其中包含许多复杂的计算机视觉相关算法,深度学习能够为其提供良好的性能。终端设备往往计算能力有限,这些新型应用在移动端的部署十分困难。利用边缘计算的相关技术,我们可以在边缘服务器上可以部署若干神经网络模型辅助移动端完成机器学习推断任务。在智能边缘计算的背景下,我们讨论了视频分析任务在边缘网络中的卸载问题,旨在网络边缘提供低时延,高精度的视频分析服务。视频分析任务的卸载问题包含若干子问题,如视频分辨率和采样率率的选择问题,视频分析任务的指派问题,视频流带宽分配问题等,需要考虑多种系统性能指标如识别准确率,系统时延,系统能耗等。现有的工作往往针对某些特殊场景,或者基于一些过于理想的假设,因此提出的调度算法具有局限性。本文首先研究了移动增强现实应用在分布式网络中的卸载问题,然后推广到各种视频分析任务,研究了多视频流在边缘环境中的配置自适应和带宽分配问题,本文的主要贡献如下:(1)本文设计了基于边缘的多用户移动增强现实系统,研究了多阶段任务在由云服务器和边缘服务器构成的混合计算体系中的任务调度和资源分配问题。本文根据移动增强现实任务的特性,将其划分成多个阶段执行,考虑了任务的依赖性和并行性。本文通过真实实验研究了移动增强现实应用中涉及到的任务其计算复杂度和数据输入量的关系。我们针对NP难的离线批量调度问题设计了两阶段的启发式算法,并针对完整应用信息未知的场景,设计了基于剪枝优化的在线调度算法。模拟实验表明线上/线下调度算法能够有效缩短移动增强应用的平均执行时延,此外我们用虚拟机模拟了一个小型的移动增强现实系统,通过仿真实验进一步验证了算法的有效性。(2)本文设计了基于边缘的视频分析系统,为了满足不同用户对时延和准确率的要求,边缘服务上部署有精度不同的CNN(Convolutional Neural Network)模型。在一个边缘处理节点同时服务多客户端的场景中,我们讨论了视频流配置自适应和网络资源分配问题,目标是在网络状况不断变化的情况下,提供时延稳定的视频分析服务,最大化系统累计输出精度。本文利用李亚普诺夫框架将长期优化问题转化成相互依赖的连续调度问题,并基于马尔科夫近似方法针对该问题设计了在线调度算法JCAB,通过调整视频传输配置(分辨率和采样率的组合)来权衡系统分析准确率,能耗以及平均时延等多个性能指标。JCAB算法能根据视频内容变化和网络变化动态调节视频传输配置,算法的运行仅依赖当前系统信息,在理论上具有长期性能保障。模拟实验说明相较于其他启发式算法,JCAB具有明显优势。