云边协同与人工智能的深度融合促进图像识别技术的进一步发展,并广泛应用于医疗、海洋等领域的人工智能应用中。人工智能图像识别应用常常采用云端训练、云端推理模式,大量的数据传输导致网络带宽压力以及推理响应慢的问题。云边协同计算实现了云端模型训练、边缘推理的协同计算模式,可有效支撑大规模任务云端计算、边缘实时快速数据处理和分析,满足图像识别应用需求。但目前人工智能云端模型训练与边缘推理任务分离,很少形成应用模型训练与推理的闭环,导致模型上线应用和更新困难;边缘推理资源受限,常面临图像数据增长导致算力不足的问题,若部署轻量化推理模型也常导致准确率低的问题;云边协同联邦学习时,常面临样本数据不均衡导致全局模型聚合精确度低的问题。本文针对上述问题,在研究云边协同计算特点、任务卸载技术以及平台框架的基础上,从云边图像训练与推理一体、云边协同图像推理和云边协同联邦学习模型聚合三个方面,开展了面向人工智能图像识别的云边协同任务卸载方法研究,主要研究内容和创新点如下:（1）提出了一种基于云边架构图像训练与推理一体的任务卸载方法。首先构建了基于云边架构图像训练与推理一体的任务卸载模型,形式化描述了云边协同架构下任务-资源-数据间的关联关系;然后研究了基于云边架构的图像训练与推理一体的任务卸载方法,利用云边协同、容器、YAML编排自动部署等技术,实现了云端模型训练、模型镜像制作下发及边缘应用部署推理的一体化流程;最后构建了基于Kubernetes、Kubeedge的云边协同计算环境,实现了图像识别应用的云边训练与推理一体化,并对边缘推理与云端推理进行实验对比。实验结果表明,该方法简化了模型研发部署流程,边缘推理大大降低了数据传输时间,减少了图像识别任务执行时间,提高了图像识别模型训练与推理的执行效率。（2）提出了一种面向资源受限的云边协同图像推理任务卸载方法。针对边缘资源受限和轻量级模型推理识别概率值过低两方面问题,构建了负载超限的云边协同推理任务迁移卸载策略,通过计算边缘节点的负载超限参数触发云端协同推理,保证了图像识别推理效率;构建了推理识别概率值过低的云边协同推理任务迁移卸载策略,通过推理识别概率值与容忍度的对比评估,将识别出的质量不高或超出轻量级模型识别范围的图像上传到云端进行协同推理,保障图像识别精确度。最后,研发了该方法插件,集成到基于Kubernetes、Kubeedge、Sedna构建的云边协同推理框架中,并在医疗病理、海洋鱼类识别中开展了云边协同推理实验分析。结果表明,该方法通过调控云边任务协同卸载和资源利用,解决了边缘节点因算力不足导致的任务阻塞、图像识别慢、识别率低问题,提高了图像识别的效率和精确度。（3）提出了一种面向样本不均衡的云边协同联邦学习模型聚合方法。该方法从提升模型聚合时的公平性和有效性出发,针对样本分布不均衡导致全局模型聚合贡献差异较大问题,综合考虑将联邦学习局部模型对各样本特征识别的精确度、稳定性以及训练所用样本数量作为评估权重,评估出高质量局部模型,并提高高质量局部模型在参与全局模型聚合时的贡献值权重,降低样本不均衡和低质量模型对全局模型的贡献度,从而提升全局模型的精确度。最后,开发了该方法插件,集成于云边协同计算环境,并在多种样本不均衡场景下与经典联邦平均算法（Fed Avg）模型聚合进行实验对比。实验结果表明,该方法在多种样本不均衡场景下,降低了样本差异性对全局模型聚合带来的影响,提高了全局模型的精确度。