随着信息技术的进步,视频监控运用日益广泛,视频监控智能分析的需求也随之在不断扩大,传统的视频智能分析方法已经无法满足现行需求。现行的视频分析系统将计算密集型负载放置于高性能的服务器上,在计算负载均衡和实时性上难以达到预期。由此应运而生的是边缘计算模型,将复杂的计算在边缘设备上完成。边缘计算可有效减轻服务器的压力,降低网络依赖,对现行的视频智能分析系统有着重要的意义。基于上述需求,本文提出了基于嵌入式与深度学习的视频车辆智能分析系统。本文研究了嵌入式端的车辆检测算法,车辆颜色、类型、制造商、车牌号的识别算法。对于车辆检测算法YOLOv3,本文运用了卷积核通道剪枝的方法对深度学习模型剪枝,裁剪了约80%的参数量使得算法模型推理速度获得较大提升。对于车辆颜色、类型、制造商三种属性识别算法,本文运用了知识蒸馏的方式将复杂模型的知识提取到了小模型上,在推理速度上获得提升。对于车牌检测算法,本文运用了ARM CPU的NEON向量计算和多核并行计算进行深度学习加速,从而提高推理速度。在最后,本文将优化后的深度学习算法模型运用到实际的项目工程中,利用Gstreamer管道技术、Deep Stream插件进行视频智能分析,从而提升视频智能分析效率,利用Web技术、数据库技术、容器与虚拟化技术、视频流媒体推送技术实现一套完整的系统,并满足实时性需求。在对深度学习算法模型进行优化加速后,本系统可实时进行最高8路高清视频流智能分析,相较于传统架构性能有较大提升。但是,在深度学习算法模型的优化加速上,仍然还需要进一步深入研究。软件系统计算数据的存储上,还有一些可优化的空间,当前对数据的存储上存在着些许冗余,需要进一步对系统进行完善,提高系统性能。