随着人工智能时代的到来,以及人们对于隐私的要求,越来越多的深度学习模型部署到边缘系统上形成边缘智能系统。边缘智能系统通常来说计算资源和能耗受限,而DNN的复杂度越来越高,因此边缘智能系统的计算能力很难满足DNN的计算需求。同时,在边缘智能系统中也有众多延时敏感和各种需要实时计算的场景,在这些场景中,对模型的时间要求较高,这进一步加大了在边缘智能系统中部署神经网络的难度。因此,研究人员提出了一些技术以加快DNN在边缘智能系统的推理,然而这些方法多为静态方法,即它们无法动态适应可用的计算资源,而边缘智能系统部署环境多样化且复杂,其中的计算资源在运行时可能发生较大的改变。少有的动态方法研究也不能实现时间感知的运行——动态模型不能根据系统资源的状态调整运行结构从而满足其时间需求。针对现有方法的缺陷,本文提出了一种新的针对边缘智能系统的时间感知动态神经网络方法,所提方法可以动态调整网络模型结构保证其时延要求。为了实现时间感知方法,需要同时考虑硬件结构以及动态控制模块的开销并需要考虑动态模型的训练方法。由此,本文首先提出针对目标边缘智能系统的操作延迟查找表,以实现快速可靠地延迟估计;其次,设计了一种时间感知模块,可以根据查找表以及推理时间预算选择出满足时间需求的神经网络结构;最后,提出一种新的多分支模型结构,该结构能够直接跳过整组块,显著减少了推理延迟。本文将时间感知与多分支结构结合,实现了动态且高效的模型动态控制方法。本文在边缘设备Jetson Nano上进行实验验证,实验结果表明,本方法设计的神经网络能够很好的部署在在边缘设备上,并且实现了推理时间与精度的良好权衡。