边缘智能作为边缘计算与人工智能的结合,旨在将人工智能应用推向靠近终端的网络边缘。以深度神经网络模型（DNN）为核心的人工智能应用在边缘智能场景中存在计算时延高的问题,所以在此场景下对DNN计算进行加速是目前的研究热点。模型分割作为一种新兴技术,能有效地减少DNN的推理时长,但目前的研究仍然具有不足之处。本文研究了在“端-边”二层架构和“端-边-云”三层架构下的模型分割调度策略,针对具有截止期限的DNN推理任务,提出了优化任务完成率的算法。本文主要研究内容如下:（1）研究了在“端-边”二层架构下的多类别DNN推理任务的横向分割和调度问题。首先以任务完成率为目标建立了数学模型,并重点设计了边缘服务器任务等待队列的数学表达。然后提出了基于贪婪策略的在线调度算法,算法不仅为每一个任务确定了分割点和边缘服务器,还充分考虑了任务在边缘服务器等待队列上的位置。最后联合三种类别的DNN模型（VGG16,Google Net和Rest Net）推理任务,在不同带宽和任务数量的情况下进行了实验仿真,结果表明本章提出的算法的任务完成率比其它计算方式提高了15%-68%。（2）研究了在“端-边-云”三层架构下的DNN推理任务的横向分割和调度问题。首先以任务完成率为目标建立了数学模型,并进一步优化了任务的等待时延。基于建立的模型,在优化分割点选择算法的基础上,综合考虑服务器带宽和计算资源的分配,并提出了在线调度算法。最后针对VGG16的模型推理任务,在不同带宽及任务数量的情况下进行了实验仿真,结果表明本章提出算法的任务完成率比其他计算方式提高了20%-42%,任务平均完成时间比其他计算方式降低了5%-40%。综上所述,本文针对两种不同计算环境所提出来的数学模型和调度算法在优化任务完成率和任务平均完成时间上有良好表现。本文工作对模型分割这一技术在边缘智能领域中的发展作出了一定贡献。本文的研究在分割对象及算法稳定性方面还有提升空间,有待进一步研究。