随着消费电子产品日新月异的发展以及社会对公共安全的迫切需求,摄像头网络已经从提供静态监视的早期角色,演变为当前的能够获取大量视频信息以进行智能处理的复杂网络系统,而且功能也不再是简单的监控用途,可以为后续的研究提供资源基础,例如目标识别、目标跟踪、姿态估计等。由于摄像头网络的规模逐渐庞大,需要覆盖的区域也更加复杂,如何降低摄像头网络的组网成本及如何提升目标空间的覆盖率已成为迫切需要解决的问题。因为摄像头放置问题的优化版本属于NP-hard,因此随着问题规模增大,求解耗时呈指数级增加。为了提高求解效率,本文设计了两个高效的局部搜索算法来求解该问题即ES-CCLS算法和MLSES-CC算法。首先,在第一个算法ES-CCLS中,本文通过分析研究问题的实例,使用离散数学中的知识总结出两条约简规则:（1）根据原问题建模形成的采样点被某一摄像头唯一覆盖,则该摄像头代表的集合一定在最优解中;（2）某一摄像头所能覆盖的采样点同时都在另一摄像头的监视视野中,即该摄像头代表的集合是另一摄像头代表的集合的子集,则该摄像头代表的集合一定不在最优解中。约简规则能在一定程度上降低原问题规模,进而提升求解时间。此外,ES-CCLS中采用了改进的格局检测技术。区别于传统的格局检测技术,针对该问题提出了基于集合元素覆盖状态的格局检测,可以使候选解在筛选的过程中速度更快更精确。其次,本文在ES-CCLS算法的基础上提出了改进版本的MLSES-CC算法。MLSES-CC算法新增了多层评价函数和动态多管线搜索。多层评价函数增加了对集合中覆盖超过1次的元素考虑,通过加权累加进评价函数。并且在此基础上提出了一种在单次局部搜索中进行多次交换的扰动方法。另外,MLSES-CC算法包含两条搜索管线,快速搜索管线使用单层评价函数用于快速收敛到局部最优解,动态多层搜索管线用于处理算法在一定的迭代周期内无法继续优化解时切换搜索空间即变邻域搜索。动态多管线搜索就是局部搜索迭代中动态选择合适的搜索管线。最后,本文针对所提出的两个算法分别在常见的基准测试集上进行验证,并选择与当前最好的几个算法对比。ES-CCLS算法在问题集求解数量上表现出优势,而MLSES-CC算法在问题集求解数量和效率上表现都更好。