近年来,随着万物互联的到来,人工智能已经在智能家居、智能安防、智能语音、无人驾驶多个领域快速发展。人工智能对算力的需求越来越大,边缘终端产生的数据传输至云端服务器会有较大的延时,需要将主要处理和数据存储放在网络的边缘节点。在这种情况下,边缘智能应声而出,边缘智能是具备机器学习和高级网络功能的边缘计算,将深度学习模型高效地运行在资源受限的终端设备,有必要进行试验性研究。人脸识别技术作为当下人工智能的热门技术,是未来边缘智能的重要应用场景之一。本论文针对在边缘智能平台下的人脸识别方法展开分析,在云端服务器完成模型的训练,并将生成的模型进行优化和转换,把冗余计算部分去掉转换成Tengine可直接调用的模型,再基于Tengine推理框架将转换后的模型在边缘智能平台完成模型的推理部分,设计并实现了高效的人脸识别方法,主要工作包括:1)采用EAIDK-610开发板,搭建边缘智能平台的软硬件。为了对比边缘智能平台不同框架之间的差异,对搭建好的平台测试Tengine推理框架的性能,通过与Caffe框架对比运行相同模型的时间,验证了模型的有效优化。2)针对移动设备资源的有效性,采用了轻量级神经网络Mobile Face Nets,有效提高了人脸识别的速度和准确率。采用深度可分离卷积方式,损失精度不多的情况下大幅降低参数量和计算量,采用可分离卷积替代了平均池化层,改善了网络性能不佳的情况。最后通过Arc Face损失函数来使不同类别更具区分度,促使模型自主学习更深度的特征提升人脸识别性能。并在云端服务器上,通过Pytorch框架实现了人脸识别训练过程。3)将云端服务器训练生成的模型优化完再转换成可以在边缘智能平台部署的Tengine模型。再直接调用Tengine接口读取模型、进行图的创建来完成模型的推理部分。最后,在开发板上集成软件来实现人脸识别,并对性能指标进行了分析。和其他在边缘智能平台部署的方法相比较,本论文将CNN的模型训练和推理部分的有效分离,模型取得了更好的识别效果,人脸识别的性能指标也较为理想。所以可在边缘智能平台,基于Tengine推理框架部署人脸识别方法。同样基于Tengine推理框架完成边缘智能的推理部分可以解决绝大多数的人工智能应用场景,以更小的模型,和更快的速度,从边缘计算赋能人工智能视角,有效解决了人工智能在终端设备高效部署的“最后一公里难题”。