近年来,随着计算机视觉技术研究的快速发展,特别是深度卷积神经网络在检测和识别领域的不断突破,使得计算机视觉特别是人脸识别技术得到越来越广泛的应用。但是由于卷积神经网络计算的复杂性,使得很难在性能受限的本地机器特别是嵌入式设备上运行性能更好的网络模型,而依靠单一的云端设备却很容易受到网络带宽等因素的影响使其难以发挥出最佳的性能。针对上述问题,本文提出了一种基于协同边缘计算的人脸识别技术,通过在嵌入式端和云端分别部署卷积神经网络,实现在不同场景下,特别是像大型机场这样复杂的环境下进行人脸的快速、准确识别。本文研究的重点是通过在云端构建残差网络模型,使得能够在云端快速获取人脸特征并对人脸进行准确的识别,而在嵌入式端设计精简的卷积网络结构,实现在嵌入式端上的人脸识别。然后分别实现嵌入式端和云端的各个功能模块,并设计一个任务调度机制来自动选择嵌入式端或者云端,最终实现一个快速、精准的人脸识别平台。本文的主要内容包括:(1)深入研究深度学习中神经网络相关的技术,包括神经网络中的梯度下降算法、反向传播算法以及卷积神经网络中的卷积结构,探索了深度学习中常用的开源框架Tensorflow和边缘计算思想。(2)在云端部署基于残差网络和Siamese网络的卷积模型,通过接入Siamese结构来提升模型提取人脸特征的能力,使用数据集WebFace对整个模型进行优化训练,最后用LFW数据集对训练好的模型进行验证,获得了 93.9%的识别准确率。(3)设计并在嵌入式平台上部署一个轻量级的卷积神经网络结构MobileNet,使得在运算能力较弱的嵌入式设备中可以运行神经网络模型,设置Tripletloss作为代价函数,用FaceScrub数据集来对模型进行优化训练,最终模型在LFW数据集中获得88.3%的识别准确率。(4)设计本课题提出的基于协同边缘计算的人脸识别平台的整体框架,实现平台的各个功能模块,设计平台选择策略,最后使用10名志愿者的人脸头像来验证该平台的可行性。