深度学习技术在智能物流配送系统中已经得到了广泛的使用,例如通过目标检测实现对货物的识别和分类,通过人脸识别完成对收货人的确认,和通过自然语言处理实现与收货人的实时交互等。这些智能应用在计算能力和电池容量有限的终端设备上执行,会导致响应时延和能耗较高,无法满足用户的实时性要求。现有的基于云计算环境架构的智能系统也面临着带宽不足、网络波动等问题,服务响应时延过高。此类问题严重影响到智能物流配送系统的稳定可靠运行,难以保证用户的体验质量。近年来,边缘计算环境提供了更贴近用户的计算资源,具有实时性、低时延、分布式等优点,可以为智能服务提供更高的执行效率。而在基于边缘计算的智能物流配送系统中进行服务质量（Quality of Service,Qo S）优化有一些亟需解决的问题和挑战。首先,当前缺乏边缘智能架构下的真实系统场景,难以对提出的Qo S优化策略进行研究和实现。其次,系统中单个应用的神经网络模型过于复杂,会导致计算资源需求大、执行时延过高,需要在保证用户隐私的前提下进行模型优化以降低响应时延,提高系统效率。最后,真实系统中智能服务往往需要多应用协作完成,现有策略的能耗和服务响应时延不能满足预期,需要面向边缘计算环境中的各类智能服务,设计出一种高效的资源管理方法,降低服务的响应时延和终端设备能耗。本文的主要工作如下:1、在边缘计算环境中以人工智能服务为核心的物流配送系统框架和原型方面,目前缺乏开源的边缘智能物流配送系统,且缺乏真实的无人配送业务场景。因此,本文根据无人机最后一公里配送的实际场景,搭建了智能物流配送系统框架,对其中训练和推理时所面临的数据隐私、模型优化、资源管理等主要问题进行了分析,设计并实现了系统软件体系结构和硬件环境部署。2、智能物流配送系统中存在大量的复杂人工智能应用,例如目标检测、人脸识别、行人重识别等,为了满足检测和识别应用的高准确率需求,使用的神经网络模型往往较为复杂,会导致响应时延过高的问题。本文提出一种边缘计算环境中的模型优化策略Keep Edge,使用联邦学习和知识蒸馏在保证用户隐私和模型精度的情况下降低神经网络模型复杂度,部署更加轻量级的模型以提高服务效率。并以真实的无人机配送系统场景作为案例进行实验,结果证明KeepEdge策略可以在保证精度的前提下,有效降低神经网络模型复杂度,显著减少响应时延,满足低时延智能应用的实时性要求。3、智能物流配送系统中需要目标检测、姿势识别和人脸识别等多项智能应用协作才能完成对收货人的正确识别和确认服务。针对多应用协作场景中任务依赖关系复杂,难以快速做出最优卸载决策的问题,本文设计了一种边缘计算环境中基于图划分的多应用协作计算卸载策略Graph4Edge,在得到最优能耗卸载决策的同时,相较于现有的启发式算法可以降低50%以上的服务响应时延。首先,将智能服务中的各项任务建模为科学工作流,并提出了能耗负载和时间约束模型。然后,对策略中的结构定义进行了描述,详细介绍了Graph4Edge策略并给出了伪代码和复杂度分析。最后,通过真实场景中案例验证和边缘工作流平台上的仿真实验证明可以在得到能耗最低的卸载决策的同时,降低服务的响应时延,满足实时性要求。本文在边缘计算环境下研究智能物流配送系统中服务质量优化问题,设计并实现了基于边缘计算的智能服务框架和原型系统。针对单个智能应用模型复杂度过高的问题和多任务协作服务中存在的任务依赖关系复杂问题,分别提出了基于知识蒸馏的神经网络模型优化策略和基于图划分的边缘计算卸载策略。并在真实的无人机最后一公里物流场景中进行了验证。结果证明本文在基于边缘计算的智能物流配送系统中进行服务质量优化的研究具有实际意义,可以降低响应时延和终端设备能耗,提高用户的体验质量。