如今,人工智能特别是深度神经网络的逐渐成熟使得计算机视觉算法在功能和性能上都飞速提升,使得机器可以像人一样基于视觉信息来处理问题。物联网的快速发展使得使得摄像头的部署范围和应用场景日益扩大,无人机、无人车等无人工具的出现为智能摄像头开拓了新的应用场景。在当前大环境的驱动下,智能视频系统快速发展,已经成为了互联网产业界的新星。然而,视频数据量的增长速度远远超过了互联网带宽的增长速度,互联网络的延迟也很难在短时间内有巨大的改善。所以,如今的智能视频系统都面对着带宽和延迟两大问题。边缘计算的出现为这些问题提供了一种可行的解决方案,然而由于边缘计算技术刚刚起步而且没有有效的基础设施作为支撑,目前基于边缘计算的智能视频分析系统还很不完善。本文针对上述问题,在对当前的智能视频系统,边缘计算技术进行深入分析调研的基础上,提出了基于边缘计算的智能视频分析平台,该平台具有良好的通用性、可扩展性以及实时性,可以帮助开发者快速开发与部署智能视频应用。然后,考虑到网络带宽对智能视频应用实时性的巨大影响,我们研究并提出了一种带宽自适应的实时数据传输机制,使我们的分析平台在网络带宽波动的情况下依然可以保证应用的实时性。最后,我们以边缘计算平台Cloudlet为基础进行了原型系统设计与实现并进行了实验验证。本文的主要工作体现在如下三个方面:首先,设计了一个边缘视频分析系统CoCo。CoCo基于边缘计算技术,在边缘服务器上对视频进行分析,并将分析结果上传到云端。CoCo具有很强的通用性,提供了通用的边缘视频分析框架,可以支持多种不同的智能视频分析应用。同时CoCo也具有良好的可扩展性,使用了PubSub机制来维持数据源与分析程序之间多对多的对应关系,提高了资源的利用率。使用CoCo开发者可以将注意力集中在视频分析程序的开发上,而不需要过多的考虑分析程序与终端摄像头、云端的交互,大大简化了开发的难度。其次,设计了一种带宽自适应的实时数据传输机制。视频的价值往往随着时间的流逝而降低,很多智能视频应用都是延迟敏感的实时性应用。CoCo可以有效的支持延迟敏感型应用,视频数据在网络边缘进行分析大大减少了数据传输的时间。考虑到网络带宽对系统延迟的影响,例如网络拥塞造成的带宽下降,我们利用双服务台的排队论模型对系统延迟进行建模,根据数学模型,我们设计并实现了一种自适应机制来消除网络带宽的影响。最后,基于边缘计算平台Cloudlet实现了原型系统,进而搭建了实验环境,使用现实生活中拍摄的视频数据进行了测试。测试内容主要包括系统的开销以及网络带宽的自适应能力,我们还基于CoCo平台实现了一个延迟敏感型的视频分析应用,来证明系统相对于传统云端模式的优越性。