随着交通基础设施的发展,城市交通压力剧增。为了缓解交通拥堵,许多城市在市区安装了成千上万的交通监控设备,但是由于监控摄像头以固定视角进行拍摄视频,并且这些视频总是传输到监控中心,大部分通过人工分析,成本昂贵且工作实效性低。在这一趋势的推动下,迫切需要将车辆检测技术推进到网络边缘,分担网络核心的压力,同时提高网络交通管控效率。为满足这一需求,采用了无人机进行交通辅助作业,并将边缘计算与深度学习结合的方式进行无人机端的部署,针对无人机拍摄的视频高分辨率、高帧数、大体积等特点采用了一种过滤器的方式进行预处理,同时针对基于深度学习的目标检测模型体积大、精度高、时延高和体积小、精度低、时延低等特点进行了选择性模型压缩,使车辆检测模型能够适合的部署在无人机端,并能做到对车辆进行检测且时延和精度能够达到均衡,因此,这是一项值得深入研究且具有发展前景的工作。本文主要对边缘智能在网络边缘运行的背景和动机进行了全面的回顾,同时分析了目标检测算法和视频预处理的研究现状,了解当前边缘智能以及目标检测算法领域面临的一些挑战,并针对这些挑战提出了解决方案,其中主要创新点如下:（1）为了降低成本和提高效率,目前交通部门采用无人机辅助作业。针对无人机拍摄的车辆视频存在大量冗余视频帧的问题以及高精度目标检测模型难以部署在嵌入式设备的问题,本文提出了一种面向无人机视频分析的车辆目标检测方法。该方法在边缘设备设置一个两级过滤器,通过帧的像素级以及结构性差异过滤大量冗余帧,从而大幅减少传输到后端的检测模型的帧数;同时采用了通道剪枝与层剪枝结合的方法压缩YOLOv3模型并部署在PC端,实现时延和精度的均衡。（2）为了充分利用边缘设备资源,更好的提升检测效果,本文提出一种基于边缘智能的车辆目标检测方法。该方法将手动压缩模型改进为基于强化学习的方式压缩模型,避免手动调参,优化了模型压缩的效率。在嵌入式设备上部署视频预处理机制以及自动化压缩的深度学习模型,在云端部署通过迁移学习训练的高精度目标检测模型,实验结果表明所提方法部署在嵌入式设备上具有较高的精确度和较低的时延。