随着大数据时代的到来,数据量以指数级趋势爆炸增长,这给以云计算技术为主的传统数据处理方式造成了沉重的负担。边缘计算是一种近年来快速发展的分布式计算框架,它可以在数据产生时,将计算任务就近的分配给计算场景内的边缘端计算设备,有效克服和弥补了云计算能耗高、网络延迟高、部署费用高等缺点。边缘计算的主要使用场景之一是计算机视觉,例如,目标检测、机器人、虚拟现实等计算机视觉子领域广泛依赖边缘设备。计算机视觉应用对于性能有极高要求,同时,边缘端计算设备通常体积有限且由电池驱动,对功耗也有严格的限制。因此,如何提高边缘端设备性能,同时降低其功耗,就成为了边缘计算领域研究的重点问题。针对此问题,本文开展了以下三个方面的研究。（1）针对计算机视觉应用,比较云计算和边缘计算平台的能效,验证了边缘计算对云计算进行补充替代的可行性。（2）提出一种基于太阳能的高能效边缘计算架构并进行了原型验证,该架构可以显著降低边缘端计算设备对电池能量的消耗。（3）研究利用近似计算技术提高稠密SLAM算法的性能并降低其能耗。本文分析了四种近似计算技术（关键物体识别法、冗余分支消除法、迭代跳转法和线程近似法）对于稠密SLAM算法的适用性并给出了在边缘端设备的部署方案,其中,关键物体识别法、冗余分支消除法为本文首次提出。本文进一步提出了一种面向稠密SLAM的近似计算方法控制策略,该策略可以适应性地发挥四种近似计算方法的优势,在保证算法精度的情况下,提升稠密SLAM算法性能并降低其功耗。本文基于三种不同的边缘端计算设备（Nvidia Jetson Nano、Tegra K1、TX2）对面向稠密SLAM近似计算方法控制策略进行实验验证。结果显示,针对Kinect Fusion、Infini TAM这两个经典稠密SLAM算法,本文提出的近似控制方法相对于非近似方法可以取得平均两倍的性能提升,以及约30%的能耗下降。