随着万物互联时代的到来,物联网设备在数量爆炸式增长的同时产生了海量的实时数据,传统的云计算方式无法满足计算需求,边缘计算作为一种新的计算范式被广泛应用。与此同时,深度神经网络技术高速发展,将人工智能融入边缘计算,使得边缘设备逐步智能化的需求也愈发旺盛。然而,由于深度神经网络模型高存储、高功耗,而边缘设备却资源受限、续航不足,因此边缘计算深度神经网络模型往往面临着巨大的挑战。首先,针对单个资源受限的边缘设备独立计算深度神经网络的场景,如何在将模型压缩到足够小的同时,保证精度的损失尽可能小,是其中面临的一大挑战。此外,由于单个设备对模型的性能提升作用有限,因此可考虑借助云服务器进行协同计算。在该场景下,如何加速边云协同推理过程以及如何根据应用对时延或精度的要求选择最佳划分点,是亟需解决的关键问题。针对以上问题与挑战,本文基于现有研究,面向边缘计算深度神经网络优化技术展开深入的研究探索,主要工作及创新点如下:一、针对单个资源受限的边缘设备独立计算深度神经网络的场景,本文提出一种基于注意力机制的深度神经网络通道剪枝算法。首先,本文设计了一种双重注意力模块SCA,它不仅可以提升模型的性能表现,而且其生成的统计量可作为评估通道是否冗余的重要标准。其次,本文提出一种在SCA注意力机制指导下的CPSCA通道剪枝算法。实验结果表明,SCA注意力模块具备最佳的结构设计,相比于其它注意力机制,它不仅是一个轻量级的模块,而且能带来更显著的精度提升;此外,相比于其他剪枝算法,在剪枝比例相同的条件下,CPSCA算法所得到的压缩后的模型精度最高。二、针对边缘设备借助云服务器协同计算的场景,本文提出了一种高效的边云协同推理方法ECCI。首先,针对边缘设备资源受限以及边侧计算时延过长的问题,提出利用CPSCA通道剪枝算法对边侧模型进行压缩。其次,针对中间数据传输时延过长的问题,提出了“三步压缩”策略来减少需要传输的中间输出数据大小。最后,为了满足应用对时延或精度的具体要求,提出一种最佳划分点选择算法。实验结果表明,该方法能够明显地降低边缘设备计算时延和中间数据传输时延,加速边云协同推理过程。当应用给出具体要求时,与其他计算方式相比,该方法表现出明显的时延优势和精度优势。