摄像头视频监控已经广泛运用在智能家居、智慧医疗、智慧交通等领域。传统视频监控数据的处理分析主要在云端完成。近年来随着摄像头端AI芯片的出现以及通用处理器算力的不断提升,使得摄像头作为边缘设备具备了一定的数据处理能力。采用边云协同计算模式已经成为了摄像头视频监控数据处理的一种趋势,可缓解边缘端算力不足以及边云网络通信拥塞等问题。本文考虑两类摄像头边云协同问题,分别是单摄像头边云协同计算和多摄像头视频边云协同。单摄像头视频边云协同请求计算任务如远程医疗等端到云的一对一模式,此时需要边缘端对监控视频的高精度、低延时响应以辅助医生进行手术或诊断。因此提高边缘端分析的精度是单摄像头请求任务的优化目标;多摄像头边云协同视频请求计算任务是视频监控处理的一般性场景,如商场中部署的多个监控终端等端到云的多对一模式,云端需要对多个单摄像头请求进行资源分配和调度策略设计。因此考虑资源分配的公平性以及任务执行效率是多摄像头请求任务的优化目标。首先,本文提出了基于强化学习的单摄像头请求调度方法,实现以目标检测的精度为基准的边云协同优化。该调度方法包括如下过程:（1）以边缘端的检测精度以及边云之间通信情况为决策状态;（2）将云端对于上传图片的再甄别结果以及上传时间作为因子设计收益函数;（3）构建Q值表,调度器根据Q值表执行决策（上传/不上传）。最后,通过实验证明基于强化学习的单摄像头调度优化方法可以使tiny YOLOv3模型精度提升14.67%。其次,本文针对多摄像头请求中云端的资源分配策略,提出了基于旋钮的软公平调度策略。通过计算单个任务中边缘端图片检测精度与用户预期精度之间的差距,重新定义任务权重实现云端基于边缘计算下的单摄像头请求任务的资源分配。此外,本文通过定义旋钮值,以放弃部分公平性为代价实现权重效率优化的资源分配,从而达到资源分配策略的公平与效率之间的平衡。实验证明基于旋钮的软公平调度策略通过调整旋钮值最高可以将性能提升34%。