移动边缘计算（Mobile Edge Computing,MEC）是一种新兴的计算范式,它在智能物流、城市智能交通和智能安防等方面都有着广泛的应用前景。在这些场景中,卷积神经网络（Convolutional Neural Network,CNN）是一种常用的技术。它在图像识别、物体检测等领域有着出色的表现。在过去,卷积神经网络的训练和推理都在云端完成。随着片上系统（System-on-Chip,SoC）的发展和人工智能芯片的出现,移动边缘设备已经逐步具备了较强的计算和存储能力。计算量较少的卷积神经网络推理阶段可以在移动边缘设备上完成。在移动边缘设备进行推理,可以避免大量数据传输到云端所造成的网络延迟,也可以规避一些图像识别应用在云端所涉及的隐私泄露的风险。因此,在移动边缘设备上进行CNN的推理已经成为一种新的趋势。但是,在移动边缘计算下进行CNN推理时仍面临移动边缘设备电池电量受限的瓶颈。因此在移动边缘计算下,如何合理地将CNN推理任务分配到多个移动边缘设备上,从而充分利用每个设备的资源,使得移动边缘设备实现能耗优化,是我们需要解决的关键问题。为了获得可行的解决方案,本文对研究问题进行建模,将针对移动边缘设备生成具体的调度方案,将任务分配到每个设备上,以此充分利用每个移动边缘设备,达到能耗优化的效果。本文采用了动态电压频率调整技术（Dynamic Voltage Frequency Scaling,DVFS）,分别针对设备同构和设备异构两种场景,提出两种调度策略。针对同构设备下的场景,本文提出一种名为AdaptFre的策略。该策略共分为两个步骤。首先,AdaptFre根据设备的初始状态生成初始调度。我们采用动态规划和贪心算法两种策略来生成初始调度。其次,AdaptFre会在几个时间节点上对移动设备进行监控,将数据收集上传到MEC服务器,判断是否需要对当前的设备调度进行调整,确保调度一直是最优调度方法。实验结果表明,与已有的代表性的解决方案相比,在典型的神经网络应用数据上采用AdaptFre策略可以降低29.47%的能耗并取得高达98.68%的设备利用率。针对异构设备下的场景,本文提出一种名为AdaptDevice的策略。该策略基于遗传算法生成任务调度。AdaptDevice首先对每个设备进行编码,将具体的调度方案转化为遗传算法中的染色体。然后,AdaptDevice生成多个初始种群,每个种群通过进化得到一个最优个体。最后可以根据实际情况,将这些最优个体根据适应度择优选择,或进一步进化。结合移动边缘计算下的特点,这个过程在MEC服务器上并行地进行。实验结果表明,与已有的代表性的解决方案相比,在典型的神经网络应用数据上采用AdaptDevice策略可以降低27.52%的能耗并取得高达98.27%的设备利用率。