在大范围交通监控场景应用中,基于多种计算机视觉算法,如深度学习、模式识别、轨迹跟踪等组成的分布式以太网监控系统成为主流。但由于分布式监控系统物理分布的分散性,会造成各子系统返回带有时间偏差的信息,并最终导致分布式监控系统输出有误差的结果。针对大范围交通监控系统中存在的同步时间误差问题,以及该同步时间误差对其他基于监控视频的计算机视觉算法输出造成的干扰问题,本文的解决方案和具体工作如下:1.网络监控相机时间误差研究。针对现有网络监控相机时间同步方法,采用原理分析和实验测试对比其不同方法在以太网中存在的同步时间误差范围,并选取适合本文研究背景的时间同步方法。2.交通监控下同步时间误差与图像处理结果关系研究。针对高速公路上基于深度学习检测跟踪车辆目标应用场景,本文对大范围交通监控场景进行数学建模,并利用数学推导和软件可视化证明在高精度时间同步监控系统中,目标车辆检测成功率比低精度时间同步监控系统有更好的效果,同时在与相同城市交通监控场景应用对比中证明检测车辆速度会放大同步时间误差对检测成功率的影响。3.高精度时间同步监控系统方案研究。针对上文监控系统时间误差造成的影响,本文提出基于精确时间协议(1588网络协议)的分布式交通监控系统,其系统结构主要由1588网络协议监控相机和高性能交换机构成,并通过GPS服务器为监控系统提供基于协调世界时的时间同步信号。其次本文针对该监控系统的大范围布设提出基于GPS时间信号的跨区域监控系统网络方案。最后,本文搭建了基于上文监控系统的模拟高速公路实验场景,并针对该场景下监控系统时间同步性和其监控网络通信性能及覆盖范围进行测试,其测试结果显示该监控系统在两百米实验交通场景中可以输出50 ns～300 ns时间偏差的监控视频。因此本文的研究工作对有高精度时间同步需求的大范围交通监控系统有一定的实用价值。