随着万物互联的发展,边缘计算作为一种新的计算模式,能够弥补传统的云计算模式难以应对网络边缘产生的大量数据以及越来越高的延迟需求的缺点。近些年,随着人工智能第三次浪潮的推动,基于深度神经网络的应用程序在工业和社会上得到了越来越多的应用。边缘计算和人工智能的碰撞产生了“边缘智能”。在边缘智能中,加速模型推理一直是研究热点,其中模型分割作为一种新颖的技术,能够有效地减少深度神经网络的推理时间,但是在不同的神经网络模型上使用模型分割和在复杂的边缘场景中使用模型分割技术是面临的两个难点。针对该问题,本文首先研究了在不同神经网络模型中使用模型分割的具体方法,然后研究了在复杂边缘计算场景中使用模型分割技术来减少基于深度神经网络任务的时间延迟,主要讲究工作包括以下几点:1.首先考虑了纯线性神经网络模型的最佳模型分割方法,然后考虑了子图的神经网络模型分割方法,使用图的s-t最小割思想,对神经网络中的子图进行处理。最终提出了考虑子图的模型分割方法NSC（Neurosurgeon of Subgraph Considered）,通过在不同神经网络模型上的验证,验证提出的模型分割方法能比仅在终端设备上计算、仅在服务器上计算和不考虑子图的分割方法有更好的结果。2.针对复杂的边缘计算环境,考虑异构的边缘服务器、多设备、多任务的场景,在使用模型分割技术的前提下,以优化所有任务平均任务时间消耗建立数学模型。在数学模型中,特别考虑边缘服务器上的任务等待队列,以及任务等待时间。然后提出通过PPS（Partition Points Selection）算法减少解空间,接着使用贪婪策略和渐进式搜索的方法,提出了一种联合任务分配和模型分割的算法GSPI（Greedy Strategy for the Progressive Inference）。3.针对现实场景,基于GSPI提出了一种符合实际的在线算法。使用实际的机器数值作为仿真的初始数据,最终验证所提出的框架与算法能比传统的模式节约30%以上的时间消耗。综上所述,本文提出的NSC算法对于包含子图的深度神经网络模型分割有着不错的效果,GSPI算法和对应的在线算法对于复杂边缘情况下模型分割和任务分配有着优秀的表现。