随着视频数据的突飞猛涨,大规模视频处理任务需求急剧增加。视频分析作为作为目前最流行的智能业务之一,在智慧城市等诸多领域扮演着重要角色,因此如何及时处理视频数据获取有效信息,进而向用户提供快速的视频分析业务是亟待解决的重要问题。若直接丰富前端的计算资源,增加前端计算能力,就会大大提高成本,而直接将视频的分析任务卸载到远端的云进行处理,会消耗大量的带宽,增加核心网的负担,造成较大的视频分析时延。移动边缘计算（MEC）能够在网络边缘提供计算以及存储等服务环境。作为5G网络架构的关键技术之一,MEC具有可定制性、可重构的特点,可满足系统对于吞吐量、时延、方便部署等方面的要求。依托于MEC,可以在网络边缘提供各种外部应用,使得内容和服务贴近用户,提供更好的用户体验。同时,还可以根据网络状况,选择近端的MEC服务器来提供及时的服务支持。本文提出一种面向大规模视频处理的边缘功能模块化及重组部署方法（EFMR）。该方法将视频处理业务下沉到网络边缘,通过网络功能虚拟化,发送到边缘服务器中的视频业务请求根据其内在处理过程相关性进行功能细粒度划分,并根据划分结果按需匹配资源并进行重组部署,从而以较小代价实现边缘视频业务处理功能的平滑扩展。主要工作如下:（1）对基于深度学习的视频分析的发展背景、研究意义进行了分析研究,还对MEC的发展和应用等进行了调研。基于容器（Docker）虚拟化技术,搭建了两层的边缘视频分析框架,通过在网络的边缘节点对视频分析任务进行快速高效的处理。（2）对任务进行细粒度分解和边缘功能模块化部署。视频处理业务具有明显的模块化特点,一个完整的视频处理业务常常可以分解成多个相关的模块,不同的视频分析任务往往具有相同的处理部分。在边缘计算中,也可以通过虚拟化技术,将计算、存储等资源进行池化,可以基于业务需求,灵活、按需、智能地提供分布式、低时延、高性能、安全可靠、绿色节能的信息化基础设施,满足业务的需求,因此设计了视频分析模块化处理模型。（3）在边缘服务器上设计并搭建了视频分析系统,系统分为用户层和边缘计算层,其中在边缘计算层,又部署了任务分解模块、匹配调度模块、控制编排模块和应用模块。本文设计的视频分析系统可以实现基于深度学习技术的目标识别和目标检测功能,在具体实现时,由特征提取模块、SVM分类模块和检测模块协同完成,且通过Socket通信的方式实现各功能模块之间数据的共享。此外本文还对搭建的基于MEC的视频分析系统进行了功能以及性能测试,系统的性能测试包括边缘服务器计算量的评估以及时延、内存消耗等,同时本文将提出的方法与传统处理方式进行性能对比分析,来验证本文搭建的视频分析系统基本可以满足实时性的要求。