近年来,深度学习一直处于可视化计算的前沿,深度学习提高了一些复杂任务的计算效率,如人脸识别,物体识别,动作识别等。随着移动互联网技术与5G技术的发展,深度学习网络方面突破性的进展使其对移动设备与穿戴设备更加具有吸引力,但由于穿戴设备的计算能力较弱,深度学习网络模型需要很长时间才能在资源有限的穿戴设备做出推断,并且深度学习网络模型部署在穿戴设备中也会占用更大的存储空间。由于高延迟或者缺乏连接,将穿戴设备的计算移到云端通常是不可行的。如何有效的解决上述问题,仍是该领域目前研究的热点。针对上述问题,本文将深度学习技术与边缘计算技术相结合,从实际应用部署的角度出发,提出了一种移动端与边缘端协同计算的策略,简称大小模型协同策略。该策略通过将移动端的深度学习模型计算部分卸载到边缘端,在保证系统识别准确率的前提下,有效的降低移动设备的计算压力。此外,本文针对一些特殊的应用环境,如地震搜救等存在网络通信不稳定的问题,提出了一种复杂网络环境下的边端模型协同策略,该策略针对不同的网络状态,对系统进行自适应的调度,使系统在通信故障的情况下仍然具有独立工作的能力,进一步提高了系统的鲁棒性。最后,本文针对由于拍摄角度,视野受限等原因难以采集图像的问题,结合图像特征检测以及边缘计算的一些相关技术,提出了一种基于边缘计算的图像融合策略。本文使用cifar和Minst公共数据集对大小模型协同策略和复杂网络环境下的边端模型协同策略进行了实验评估,实验结果表明,在不改进深度学习算法的前提下,本文提出的大小模型协同策略在cifar和Minst数据集上分别降低了移动设备89.80%和63.7%的计算量,在非公共数据集中降低了移动设备29.34%的计算量。复杂网络环境下的边端模型协同策略可以在网络故障的环境中让系统保持正常运行,在cifar和Minst数据集中分别降低了移动设备与边缘端62.6%和96.63%的传输延迟。