随着万物互联时代的到来,在互联网的边缘涌现出了数量庞大、种类丰富的物联网设备,即边缘设备。当下,云计算中心一直以来保持线性增长的计算资源,逐渐无法处理爆炸式增长的边缘设备产生的数据,边缘计算因此诞生。在人工智能技术迅速发展的今天,云计算中心将一部分计算任务与智能服务推至边缘设备,推动了边缘智能化进程。基于卷积神经网络（Convolutional Neural Networks,CNN）的图像分类算法,是人工智能技术中最具代表的算法之一。同时,作为边缘智能化进程的重要一环,边缘设备也需要承担图像分类模型训练与图像分类推理的任务。因此,本文研究并提出了一种面向CNN图像分类的编码边缘计算方案,该方案结合了CNN向量化、线性编码与分布式计算技术,以提升方案的稳定性和高效性和保护图像数据的安全性。CNN图像分类算法分为图像分类模型训练与推理两部分。本文首先针对图像分类模型的训练过程,提出了基于异构边缘计算的安全分布式图像分类模型的训练方案。该方案从CNN图像分类模型的训练过程中提取了大量矩阵乘法任务,并在众多边缘设备上采用编码分布式计算策略完成矩阵乘法任务,保证了 CNN图像分类模型分布式训练过程的稳定性和高效性、以及图像数据的安全性。其次,针对图像分类推理过程,本文又提出了基于异构边缘计算的安全分布式图像分类推理方案,分为模型分布式部署与安全分布式图像分类推理两部分。在模型分布式部署中,该方案将按层切分的图像分类模型备份部署在众多边缘设备上。在安全分布式图像分类推理中,该方案采用多种分布式推理方案,保证了分布式图像分类推理的高效性和图像数据的安全性。最后,基于上述两种方案,本文提出了面向CNN图像分类的编码边缘计算方案。该方案采用了NumPy库加快了矩阵乘法,并使用Python编程语言实现了高效的边缘分布式计算系统。模拟实验的结果表明,本方案具有较高的稳定性与高效性,能够减少异构边缘设备上CNN图像分类模型训练和推理的时间,并能保护图像数据安全。