随着物联网技术快速发展,大量数据随之产生,为传统的云计算带来巨大的数据处理压力。作为云计算的延伸,边缘计算将数据处理、存储等能力扩展到物联网设备附近的网络边缘侧,大量数据不需要上传云端,减少了网络传输负载,降低了传输时延。目前,边缘计算存在两个亟待解决的问题:一是如何在数据源附近实现任务的及时处理和反馈。二是样本在每个维度空间分布不均,如何对数据进行有效降维。这两个问题决定了边缘计算的服务质量,进而影响用户的满意度。因此,本文选择边缘计算中的降维方法作为研究课题。针对以上问题,本文基于边缘计算架构,综合考虑边缘环境、降维效果、执行时间等因素,提出了两种降维方法,旨在去除冗余信息,提取数据主要特征,节省用户分析时间,并做出合理判断。具体研究内容如下:（1）基于自适应优化邻域集选择的降维算法设计。针对降维过程中流形结构容易变形、嵌入效果不佳、用户体验较差等问题,首先,设计了一个面向边缘环境的四层数据处理架构,用于执行边缘计算任务。其次,提出了一种基于自适应优化邻域集选择的多组权局部线性嵌入（AMLLE）算法。设置上下限阈值,对边缘数据进行过滤。根据流形弯曲度和样本密度,实现邻域值动态选择。最后,采用多组线性无关权值代替单一权值构造局部邻域结构。在Swiss-roll、S-curve和S-sphere三组经典的数据集上进行实验,结果表明,与传统的局部线性嵌入（LLE）算法相比,本文提出的算法降维效果更为显著,执行时间更短。（2）边缘计算中多步分组降维框架研究。该框架包括基于损失阈和受限玻尔兹曼机的多步分组降维（LTRBM-SGA）算法以及任务分配（TAA）算法两部分。首先,设计了基于损失阈和受限玻尔兹曼机的多步分组降维算法。采用“多步分组”方式,根据属性数目将任务分组分发给边缘服务器。对于边缘服务器接收的任务,该算法使用协方差矩阵测量每组数据属性之间的关联性和异质性,设置信息损失阈函数,进而从大数据中去除冗余维度。利用受限玻尔兹曼机对数据进行特征提取、建模和分类。其次,设计任务分配算法,用于提高任务完成率,增强边缘环境稳定性。最后,实验表明,任务分配算法能够有效提高任务完成率。与鲁棒主成分分析（RPCA）算法、卷积神经网络（CNN）算法相比,本文提出的基于损失阈和受限玻尔兹曼机的多步分组降维算法分类结果更准确,且能够有效减少任务完成时间。