随着各类通信技术的成熟以及通信成本的下沉,物联网行业近年发展迅猛,201 7年全球设备接入量高达84亿台,首次超过人口数量。根据Gartner预计,到2020年物联网设备接入总量将高达200亿。接入设备的爆发和接入需求的不断提升为数据分析和数据处理带来了新的挑战,如网络负载的飞速增长、服务端计算量的指数式上升以及功耗消耗。本论文围绕前两个问题展开,旨在设计一个网关系统,完成各类不同协议边缘节点的融合、消息汇总上报以及如何在有限资源下将边缘计算融入网关中。本文将以网关系统设计为核心,以边缘计算(在本文中特指神经网络模型移植和优化)为重点展开。网关系统包含感知前端硬件适配层,如温度、湿度、距离等各类信号消息以及图像、语音等媒体信息采集,各类协议接入层如WIFI、LoRa、ZigBee等,消息处理层,日志层,有限资源下的CNN网络加速层、MQTT消息上报/订阅层、HTTP图像等多媒体信息上传和下载以及MQTT消息发布订阅层,完成了各类消息的汇总分析以及上报和报警等能力。在此网关系统基础上,本文将聚焦于神经网络的解析、量化和量化优化以及模型转换,主要完成了基于Tensorflow神经网络的移植设计、并提出量化优化方法、完成有限资源下的边缘人脸检测,并上报到服务端,从而完成视频结构化帧数据的提取。特别地,本文针对模型编译中的量化过程,提出了分段线性量化方法,实现模型的量化优化,给出优化算法和测试结果。