随着全球对安防的重视,视频监控数据海量增长,越来越多的视频监控应用开始迁移到云计算平台之上。此外,为了加速视频任务的处理,降低任务的处理时间,许多视频处理任务都开始采用GPU来加速运算。当前主流的基于虚拟机和CPU的视频监控云平台存在资源利用率低、任务处理时间长、平台吞吐量小的问题。此外,由于虚拟机存在启动时间长、不可编程等问题,容易导致平台的监控运维困难,服务质量差。本文研究基于CPU-GPU异构环境的视频监控云平台。首先,本文采用Kubernetes和Docker技术,设计并实现了异构视频监控云平台。利用Docker轻量级的特点,降低了平台的额外消耗,提高了平台的资源利用率。利用Kubernetes提供的计算、存储资源管理的能力,有效的管理异构平台的资源。为了与视频监控系统对接和方便用户访问,本文采用Golang语言实现了平台中心管理单元模块,该模块在提供可视化操作界面的同时,对外暴露RESTful风格的接口。其次,本文提出了基于深度强化学习的两阶段任务调度器CS-NS。该调度器利用深度强化学习在连续决策问题中所表现出来的优势,结合异构视频监控云平台中任务特点、数据特点和资源特点。实时地学习最优的调度策略,选择合适的工作节点和计算设备。进一步提高平台的资源利用率,充分发挥异构平台的性能。最后,实验表明本文设计的异构视频监控云平台能够显著地提高平台的资源利用率,增加平台的吞吐量。