与利用云端计算的解决方案相比,在物联网（Io T）边缘设备上执行深度神经网络（DNN）推理可确保输入数据的隐私性,同时可能降低运行时间。由于大多数边缘设备内存和计算资源有限,它们无法存储和执行复杂的DNN。可以通过跨多个边缘设备分区和分布各个层的信息的方法,以减少每个设备上的计算量和数据量。在本文中,我们为该问题提供了解决方案,这是一种通过全连接层分区,以及特征和权重密集的卷积层分区,来支持DNN推理任务的全局分布的方法。此外,我们通过使用将特征和权重分区,与通信感知层融合方法相结合的技术,从而实现跨层的整体优化,同时优化了推理任务的内存、计算和通信需求。对于给定数量的边缘设备,这些方案使用整数线性规划（ILP）公式联合应用,以最大限度地减少设备之间的数据交换,优化运行时间并找到整个模型的最小内存占用。运行四种不同DNN模型的真实硬件设置的实验结果证实,该方案能够均匀地平衡设备之间的内存占用。对于100 Mbit/s连接的6个设备,层融合的集成还可将通信需求降低多达28.8%。与没有融合的层分区相比,这使推断任务运行时间的加速高达1.52倍。