智能相机网络在公共安全、室内异常检测场景中有着广泛应用。近年来,将可配置参数的相机与板载处理器和无线通信模块结合进而构建检测系统的方式逐渐成为主流技术,对此类系统的拓扑结构、智能资源分配和重配置算法的设计吸引了许多研究关注。主要技术挑战包括:(1)如何提高系统的可扩展性和稳定性;(2)如何充分利用多视角信息,并有效地执行多相机参数重新配置以完成预期任务;(3)如何验证系统部署和提出的算法的有效性。本文提出了一种新颖的智能运动相机阵列系统集成框架。这项工作的优势体现在三个方面:(1)使用分布式拓扑保证系统的可扩展性,并依靠惯性传感器和里程计数据反馈结合经典控制策略,提高阵列单元的控制精度以及高机动性下的运动稳定性;(2)提出了两种启发式搜索方法来规划系统中相机的运动,完成参数重配置,并实现了基于深度学习的图像处理算法,以帮助提高系统的多视角检测和场景分析性能;(3)相比现有工作,使用Unreal Engine搭建的3D仿真环境与硬件平台之间算法迁移性强,仿真结果可以和实验一体化,有利于安全高效地开展在不同约束条件下对部署运动相机阵列和优化系统性能的研究。根据提出的系统框架,搭建了对应的硬件实验平台和3D仿真平台,并依托上述平台进行了大量实验。实验结果表明,在目标检测相关任务中,与现有其他方法相比,启发式重配置方法可以在较短的时间内取得良好的效果;并且整个系统工作时运行稳定,可以满足各种性能标准,为扩展高级应用奠定了坚实的基础。