随着深度学习技术的发展和终端设备的普及,深度学习应用被广泛运行在终端设备。深度学习应用具有强大的数据分析功能,能够处理终端设备产生的海量数据并提取有效信息,以实现终端设备的智能化。深度学习应用作为资源消耗型任务,目前主要有两种部署和执行方式:一种是基于云服务器的部署和执行,另一种是基于终端设备的部署和执行。基于云服务器的部署和执行,将终端设备产生的海量数据发送到云服务器,这将带来较高的传输时延,难以满足实时性需求。基于终端设备的部署和执行,将复杂的深度学习模型完全部署在计算能力和电池容量有限的终端设备,同样也会导致高时延,另外无法满足用户对终端设备低能耗和长续航的需求。目前两种计算模式由于网络传输和终端设备性能的限制,无法保证深度学习应用中实时性和终端设备低能耗的需求。因此,如何降低深度学习应用的响应时间和终端设备能耗,从而优化用户的服务质量（Quality of Service,QoS）是一个值得研究的问题。近年来,边缘计算作为一种新兴的计算模式,通过在云服务器与终端设备间增加边缘服务器,使得计算任务可以选择卸载至边缘服务器中执行。因为边缘服务器更加靠近用户,边缘计算能够提供更快的响应速度和交互能力,可以降低时延并提高网络稳定性。因此本文引入了边缘计算,在网络边缘提供计算和存储能力,形成了边缘计算环境中“端-边-云”多重计算资源的执行架构,研究如何利用边缘计算满足深度学习应用中用户的QoS需求。本文主要工作如下:1.针对深度学习应用中,如何降低应用的响应时间,以优化QoS的问题。首先,本文引入新的计算模式边缘计算,在边缘计算环境中终端设备、边缘服务器和云服务器之间的有效协同是必不可少的。然后,本文考虑“端-边-云”不同种类计算资源的特性,提出了一种面向深度学习应用的边缘计算协同框架（Collaborative Framework of Edge Computing for Deep Learning Applications,Edge4DL）。最后,本文搭建了真实的边缘计算环境,以无人机配送的收货场景中,通过人脸识别对收货人的定位和确认的深度学习应用作为案例,实验证明协同框架Edge4DL可以显著减少响应时间和网络通信量。2.针对深度学习应用中,在满足时间约束的同时,如何降低终端设备能耗,以优化QoS的问题。本文在协同框架Edge4DL所包含“端-边-云”多重计算资源的基础上,进一步考虑深度神经网络（Deep Neural Networks,DNNs）具有多层结构和特征提取的特性,提出边缘计算环境中基于能耗优化的DNNs计算任务卸载策略。该策略以神经网络层为单位,将单个深度学习应用中的计算任务进行拆分,在计算任务卸载时,对“端-边-云”多重计算资源进行综合考虑。首先,本文建立了边缘计算环境中DNNs计算任务卸载的时间和能耗评价模型,并在该模型基础上设计出满足时间约束下评价终端设备能耗的适应度函数。然后,本文根据新策略提出了边缘计算环境中基于多重资源任务卸载的粒子群调度算法（Multi-Resource Task Offloading Based Particle Swarm Optimization,MRPSO）。最后,本文通过实验证明,与现有的任务卸载策略相比,新策略对应的粒子群调度算法MRPSO所得适应度值最低,即满足时间约束下,深度学习应用中终端设备的能耗值最低。本文引入边缘计算以及研究如何协同“端-边-云”多重计算资源,以满足用户对深度学习应用中时间和能耗的QoS需求。本文首先提出了一种面向深度学习应用的边缘计算协同框架Edge4DL,搭建真实的边缘计算环境,并且结合实际的案例验证了所提出框架能够有效减少响应时间和网络通信量。在此框架的基础上,进一步考虑DNNs具有多层次结构和特征提取的特性对其进行拆分和卸载,提出了边缘计算环境中基于多重资源任务卸载的粒子群调度算法MRPSO。最后实验证明在满足用户时间约束下,MRPSO能够充分降低终端设备能耗。