随着5G技术逐渐成熟及其商业应用产品慢慢普及,原本发展了数年的边缘计算进一步成为了研究热点,将人工智能技术与边缘计算领域融合更是引起了研究者们的强烈兴趣。但是,内存消耗型和计算密集型的深度学习算法与资源匮乏型的边缘终端硬件形成巨大冲突。本文针对边缘计算与深度学习的融合需求,将只有8KB内存的微型开发板作为研究和移植目标平台,深入分析了模型压缩、模型拆解、自动编码和模型存储关键技术,并在此基础上提出和实现了模型转换和移植集成系统。本文主要研究内容及其创新包括:（1）提出深度学习模型参数提取和自动填充方法。采用模型拆解方法对模型中的参数进行抽取,为深度学习模型摆脱环境变量和依赖函数库打下基础,然后对模型参数类型和数量进行识别和分类,形成参数字典方便参数自动填充,为后续模型转换提供数据支撑。（2）提出统一模型转换移植系统MoTransFrame。通过深入分析深度学习分类算法的计算过程,采用“自动编码”方法对提取的模型参数字典按照分类规则重新编码。根据初始网络计算图输出适配资源匮乏型边缘设备的分类模型。MoTransFrame构建了统一的模型转换集成系统,为深度学习模型移植到资源受限边缘节点提供了一个可行方案。（3）提出了基于边缘节点存储需求的模型存储优化方法。针对Arduino设备提出多类型存储介质结合的存储方法,达到了最大化利用边缘设备有限存储资源的目的。通过地址绑定方法对模型进行读取和存储,该方法在节约内存空间的同时也保障模型存储的完整性和推理的正确性,使得移植后的模型可以在边缘终端准确无误运行。