计算机视觉中的深度目标检测技术是一项非常重要的技术,为了准确提取有价值的信息,对视频或图像中的物体进行定位和分类非常重要。然而,存在着一些问题,基于云的深度学习模型运行响应延迟较长,而且由于移动网络的不稳定性和有限的网络带宽,这些都会影响用户体验。同时,由于移动设备资源有限,深度学习模型对设备的算力和存储能力要求很高,不能直接部署在资源有限的移动设备上。因此如何将深度学习任务部署到边缘计算环境中是值得研究的问题。为解决上述问题并满足安全、准确、高效的图像数据处理要求,本文结合深度学习技术与边缘计算技术,进行了如下研究:（1）从目标检测研究的角度出发,考虑移动端计算资源有限、深度模型需要算力较大和边端的通信受阻等问题,利用移动端的实时性与边缘端的计算能力,制定了实时深度目标检测的部署策略,保证目标检测任务的顺利进行。使用了牛津花卉数据集对移动端图像分类模型进行了仿真实验,在可接受的精度范围内,模型大小可以减少到2/11。使用了公共数据集VOC2007数据集对边缘端目标检测模型YOLOv5进行了实验验证,实验结果表明,其R值为0.965,m [email protected]为0.964,与YOLOv3相比具有极大的优越性。（2）为减少移动端与边缘端需传输的数据量,本文设计了部分图像压缩,对不同区域采取部分压缩以减少数据传输量。使用公共数据集VOC2007对部分图像压缩进行了仿真实验。当背景区域的压缩率被设定为60%时,图像数据量大小减少了8/9。（3）针对于一些特定应用场景下难以采集到全景图像的问题,结合数字图像处理的一些方法,实现了一种基于边缘计算的图像拼接融合策略。图像拼接融合策略的实验结果表明,该策略可以对多张图片进行拼接融合,并且无拼缝产生。