在物联网实际场景下的诸多应用问题上,包括卷积神经网络模型在内的深度学习方法,是一种行之有效的解决方法。然而深度学习模型的特点是参数量多、计算代价高,在资源受限的物联网环境下,模型的部署与推理面临着不少的挑战。在相关的研究和实践应用中,边云协同的计算范式正在逐渐兴起。边云协同的计算范式通过边缘端与云端之间的合理协作,共同完成计算任务。而深度学习模型中的经典卷积神经网络,有着良好的层次结构及可解耦性。这为边云协同计算范式在模型的推理执行上的应用提供了可能。然而如何有效地利用边云协同范式来推动深度学习模型的应用,在实际的物联网场景仍面临着不少困难。深度学习模型的边云协同推理加速就是其中的一个研究热点。在深度学习模型的边云协同推理加速的研究方向上,已出现了不少行之有效的相关研究,也提出了不少有效的方法。如模型划分、量化压缩、以及瓶颈结构嵌入等。相关研究已经证明相应方法的有效性。然而这些方法的应用,会对模型的表现精度产生影响,如何权衡加速效果和模型表现精度,以及如何从众多可行的加速策略中做出合适的选择,是亟待解决的重要问题。如何解决以上问题就是本课题的研究内容之一。本课题通过将以上协同推理加速方法融合,作为基础的边云协同推理加速策略。再针对融合后的边云协同推理加速策略的最优选择,提出了基于模拟退火的最优策略搜索算法。通过实验验证了该算法的有效性:仅需要搜索部分协同推理加速策略,即可取得相应评估函数下的最优策略,大幅减少了模型训练、测量分析等计算开销。另一方面,在实际的物联网场景中,如何根据环境因素变化对协同推理加速策略做出动态调整,也就是一个需要解决的重要问题。为解决该问题,同时结合前述的最优策略搜索,本课题提出了面向深度学习模型的边云协同推理加速框架。通过模块化和框架化的方式完善边云协同推理加速方法的实际应用,解决离线阶段协同推理加速策略的最优选择和在线运行阶段的策略动态调度问题。在实验部分,先通过相关实验验证了动态调度方法对整体效果的提升,再在所使用的边云协同推理加速方法上开展了相关实验。通过实验验证了方法的有效性,并分析了相应方法的问题和缺点,证明了框架的最优策略搜索算法以及策略动态调度的必要性。