近年来,摄像机网络以其宽广的覆盖范围、丰富而准确的信息内容并对环境和用户透明而又无妨碍等优点,在准确和有效捕捉和发现智能空间中客观对象的状态和行为方面发挥着愈来愈重要的作用,在安全监控、智能跟踪、人机交互等领域得到了广泛应用。然而随着摄像机网络规模的不断增大,节点数量的不断增多,也给网络中节点管理和控制提出了新的挑战,其中摄像机网络节点动态选择问题因能有效平衡视觉任务与网络传输、计算能力和显示终端数量等资源之间的矛盾而逐渐被人们重视,成为摄像机网络应用研究热点与重要问题之一。本文以摄像机网络智能监控与目标跟踪为应用背景,探索和研究了摄像机网络节点动态选择问题,重点在不确定环境下节点选择状态建模与控制规划、选择策略在线优化和更新以及面向节点动态选择的策略空间近似表示方法等方面开展了创新性工作。本文的创新性成果主要包括以下几个方面：1)提出了一种摄像机网络节点选择状态建模与控制策略规划方法。该方法基于部分可观察马尔科夫模型进行状态建模,采用置信状态表示不确定环境下观测状态相对实际状态的概率分布,并定义置信状态下的状态转移关系,融合视觉评分和切换代价作为策略规划过程中即时回报,采用点采样方法离线规划生成近似最优策略；进而,依据智能监控应用需求设计了摄像机节点动态选择的效用评估函数,采用加权函数形式融合视频场景中全局运动、目标局部运动和遮挡关系及特定事件发现等信息对选择行动进行效用评估。该方法有效克服了摄像机观测不确定性造成的切换频繁现象,提高了摄像机选择的稳定性,取得了良好的实验效果。2)提出了一种摄像机网络节点选择策略在线学习与更新方法。该方法利用摄像机空间拓扑关系初始化节点选择策略,在选择过程中将选择行动的即时回报以时间差分形式增强学习相应状态下的策略Q函数值,实现策略模型的在线更新,通过设计基于Gibbs分布的非贪心尝试方式逐步探索当前状态下的最优选择策略,加快了学习的收敛速度；同时,从特定目标可见性、朝向、清晰度和视角切换次数等方面设计选择效用评估函数作为节点选择行动的即时回报,实现了视觉信息量最大化与视觉舒适度间的有效折衷。实验结果表明：该方法提高了摄像机网络节点选择的适应能力,也为动态环境下的节点选择策略学习与更新提供了一般框架。3)提出了一种节点动态选择策略近似表示方法。该方法混合高斯模型近似表示策略空间样本分布概率密度,对指定的状态和行动利用高斯混合回归计算当前混合高斯模型参数下的策略Q函数值,策略更新过程中采用步进EM算法序贯地更新GMM模型参数,同时根据策略样本与混合高斯模型分量的似然概率动态调整高斯分量的数量,加快了策略求解与学习过程中收敛速度,提高了采样样本的利用效率。实验表明本文设计的近似函数可有效表示节点动态选择策略,在平均视觉评分和切换次数等指标上优于离散Q值函数方法。