现阶段基于云端的视频监控技术日渐成熟,然而将监控设备采集到的图像或视频数据传输至云端或数据处理中心进行数据分析将会对监控网络的服务器与带宽造成较大负担,因此,面向变电站监控场景及智能化监控识别需求,结合人工智能图像分析与处理的方法,开展边缘智能计算技术研究至关重要。首先,分析并总结国内外有关目标检测技术与边缘计算技术的研究方案以及技术路线,同时基于现有边缘计算设备讨论模型搭建与边缘部署的可能性,分别规划两条以追求模型平均精确度为目标和以追求模型轻量化与速度为目标的两条边缘部署路线。其次,针对目前样本数量极其有限的问题,研究各种数据增强方法的方案及原理,明确各种方案的优劣及特点,基于Style GAN完成了对电容器小样本的数据增强过程。分析生成图像数据的状态情况与模型拟合效果,确定经过数据增强后的电容器样本可以投入后续实验。然后,研究几种较为合适的目标识别与分类神经网络模型,挑选数据增强后的电容器样本进行标注并构建训练所用数据集。以性能为目标选取基于SSD的目标识别与分类神经网络模型进行搭建与训练,完成了训练结束后的测试过程与结果分析。同时将数据增强前后训练结果进行分析,肯定前一步数据增强过程的必要性。同时,针对部分边缘计算设备资源极其有限的问题,利用相同训练集完成了基于MobileNet＿YOLOv4神经网络模型的轻量化神经网络模型的搭建与训练,提出一种基于权重的通道剪枝模型压缩方法,同时采用模型压缩算法完成了模型的压缩进程,逐步分析压缩进程中模型的性能与运行结果,实时监控每一步模型运行时所占用的计算资源。最后,进行面向边缘计算平台的目标检测与分类模型的部署方案设计,完成了基于高性能网络摄像机图像采集与抓取过程,完成了基于边缘计算设备的上述已搭建完成了模型的边缘部署过程,并且将部署结果与运行指标进行对比,分析每一种模型适用环境以及应用前景,完成了对下一步体系完善的展望。