随着人工智能的发展,“AI+传统行业”的改革可以赋予行业新的经济增长点。“AI+动物保护”可以在提高动物研究效率的同时减少对生态环境的影响。现在主流的研究方案是使用隐蔽相机拍照通过网络上传至云端服务器进行动物检测,但是这样会带来巨大的网络传输成本,并且该方案对信号不稳定地区的动物检测很不友好。因此本文基于边缘计算来进行动物检测,在隐蔽相机中加入AI识别功能,在给动物拍照的同时在边缘计算平台进行检测,这样避免网络传输对动物检测的影响并且提高检测速度。本文基于边缘计算进行动物检测的主要工作如下:（1）针对同类物体目标框接近时的漏检问题,本文提出一种曼哈顿融合算法,通过曼哈顿距离来计算框与框之间的相关性,根据距离梯度信息选出与周围其他包围框之间最紧密的包围框作为目标框,在YOLOv4的基础上采用该方法进行检测的时候m AP提升了1.24%。（2）针对数据标注成本较大的问题,本文提出一种基于目标检测的动态半监督学习算法,用少量的标注数据和大量的未标注数据进行模型的训练,采用多种数据增强方法对图像标签进行一致性约束,最后通过动态调整生成伪标签的阈值,不断将更高质量的伪标签送入模型训练,使得模型m AP有了2.55%的提升。（3）针对模型体积大无法部署到边缘计算平台的问题,本文提出一种基于参数子空间和BN层缩放因子的剪枝方法。该方法从BN层和卷积层两个角度对模型进行剪枝,使得模型参数量下降73%,模型推理时间下降至9ms。之后在Tensor RT量化方法上进行INT8量化改进,将Wasserstein Distance和KL散度进行融合,最大程度还原原始模型参数分布。通过剪枝和量化,在模型精度下降4%左右的情况下,模型体积下降了92%,推理时间下降了90%,这样使得模型在嵌入式平台成功部署,实现对野外动物的检测和研究。综上所述,本文针对野外动物检测中出现的问题,提出曼哈顿融合算法解决了目标框漏检的问题,使用动态半监督学习算法解决了大量未标注数据无法使用的问题,最后使用剪枝和量化的模型压缩策略,使得模型在尽可能保持高精度的前提下,在边缘计算平台上高效运行,具备一定的实用价值。