随着深度学习领域的快速发展,使用深度学习模型改善认知服务逐渐成为一种趋势。如何在保护用户数据隐私的前提下,基于用户数据在移动设备上为用户训练推断速度快、高性能的深度学习模型用以提供认知服务,成为了亟待解决的问题。先前的研究主要着重于在云服务器上训练高性能的模型为用户提供服务,在边缘服务器对数据进行预处理后再将数据发送至云端完成训练任务,设计新颖的模型结构或采用网络压缩技术以将模型部署在移动设备上,以及利用云端协同共同训练模型提供服务。但是这些方法主要存在以下限制,首先,用户到云服务器的链路较长,难以确保较低的网络链路延迟;其次,用户为享受到个性化的服务,需要上传自己的隐私数据,有潜在的隐私泄露风险;再次,部署在移动设备上的模型更新较为困难;最后,目前基于隐私保护的云端协同框架未考虑到云模型的更新问题。针对上述问题,本文提出了一种基于云端协同的个性化神经网络框架,针对该框架的研究由两个部分组成:（1）基于云端协同的个性化神经网络框架设计。该框架首先在云服务器上利用公开大型通用数据集训练复杂的老师模型,然后将老师模型下发到移动设备,利用用户数据推断得到的软标签指导移动设备上部署的模型训练,最终得到可以直接提供认知服务的学生模型。真实数据的实验结果表明,学生模型拥有比直接训练相同模型更加出色的性能和相对于老师模型更快的推断时间。（2）双向知识蒸馏算法。本文在该框架下提出一种双向知识蒸馏算法,该算法创新性的建立了一条从学生模型到老师模型的知识流向,可以在保护用户隐私前提下,解决云模型无法更新的问题。实验结果表明,该算法可以有效提升云模型的性能,同时更新后的云模型作为老师模型,又使得学生模型可以提供持久的高性能认知服务。