随着智能监控和虚拟现实等依赖于视频实时处理技术的智能应用服务的出现,以及深度学习在计算机视觉领域的飞速发展,智能视频服务极大地丰富了人们的日常生活。然而受限于移动终端的硬件配置,用户设备往往无法部署和运行用于视频处理的视频服务模型。通过边缘计算技术将视频服务模型部署在靠近用户设备的边缘云上,直接处理用户设备的视频流请求,可以有效降低网络延迟并解决用户设备计算资源不足的问题。由于边缘云的计算资源和带宽资源是有限的,如何利用有限的资源提高边缘云的视频服务质量已成为亟待解决的问题。首先,为了合理利用边缘云的计算资源和带宽资源,通过对视频处理延时和视频处理准确率进行分析,建立了基于边缘云的视频服务部署模型。考虑用户设备视频服务请求的异构性和不可预测性,提出一种基于多臂赌博机的视频服务模型部署算法。该算法将系统的总体时延和准确率根据用户视频服务请求的需求进行加权,将其作为衡量值,并以此为优化目标。该算法基于衡量值计算视频服务模型的历史观测值,选择历史观测值较小的多个视频服务模型进行部署。实验结果表明,相比于传统算法,所提算法的学习遗憾值降低了36%,实现了更高效的视频服务模型部署策略。其次,为了降低边缘云视频服务时延,提高平均准确率,针对用户设备采集视频时的帧采样率和分辨率配置问题,建立了面向边缘云的视频服务自适应配置系统模型。基于深度确定性策略梯度强化学习,提出了一种边缘云自适应视频服务配置算法。该算法为用户设备选择合适的视频服务模型,并给出最佳的视频参数配置。该算法以视频服务模型、帧采样率和分辨率的选择作为智能体的输出动作,将系统的总体时延和准确率根据用户视频服务请求的需求进行加权,并将其作为奖励值。实验结果表明,相比于已有算法,所提算法的系统平均处理时延降低了87ms,系统平均准确率提高了6%,有效提高了边缘云视频服务质量。