移动设备在计算能力方面的不足限制了深度学习技术在很多场景中的应用。当前,随着智慧农业的研究发展,移动智能装备与深度学习算法得到较为普遍的应用,这样也就往往面临着智慧作业的密集计算需求与作业端低算力装备的矛盾。为了应对智慧农业生产中的高计算和低延迟等需求挑战,本文以小麦生育期进程监测为研究对象,面向移动智能装备,探索解决移动端深度学习模型中较高的算力需求和能耗损失问题,使用移动边缘计算开展对小麦生育期监测的研究。小麦是我国主要的农作物之一,小麦的栽培管理措施依赖于其生育进程的监测,而传统人工观测小麦生育信息的获取方式,不仅效率低而且无法满足实时、快速的监测需求。为了解决上述问题,本文以小麦各个生育时期的自动化识别为监测目标,提出了一种基于深度可分离卷积和残差网络的轻量化小麦生育期监测模型;然后在此基础上基于边缘计算思想,使用深度强化学习构建动态迁移决策算法,实时分析终端设备的电量及网络波动情况,动态决策服务计算的位置;最后使用Tensorflow Lite和Docker技术设计了一个基于边缘计算的小麦生育期监测系统,为小麦生育期的监测提供了一个高质量的服务方案。本文具体研究内容如下:（1）基于深度学习的轻量化小麦生育期监测模型研究。通过对试验田小麦完整生育周期内物候特征的持续拍摄,得到小麦各生育期分类图像数据集,并使用去中心化、错位缩放、翻转变换的图像增强方式对小麦生育期数据集进行扩充;使用深度可分离卷积有效地降低了模型的参数量和训练时间,在此基础上加入空洞卷积技术扩大了网络中的感受野,提高了网络对边缘的特征学习能力,并借助残差网络的技术逐步加深神经网络的深度,构建了轻量化小麦生育进程监测模型。有效地将模型的参数规模降低到1.3MB,相比于Mobile Net V2模型参数规模降低了58%,同等环境下识别速度提高了47%。通过对学习率、优化器、训练批次三个超参数进行识别率测试,最终选择0.001的学习率、Adam优化器、32批次对改进的识别模型进行训练,使得小麦生育期识别率达到98.6%。（2）基于移动边缘计算的小麦生育期监测模型动态迁移算法的研究。首先基于边缘计算思想,对小麦生育期监测模型分别部署到移动端和服务端进行静态迁移性能测试分析,试验结果显示,相比于模型整体部署到服务端,这种分布化部署能降低识别延迟,减少服务器的负载压力,识别延迟最多减少了57%;基于上述测试结果,面向移动边缘计算,从小麦生育期监测模型整体卸载迁移角度,提出一种基于深度强化学习的小麦生育期监测模型动态迁移算法,用于实时分析决策移动端设备在当前状态下是否适合将计算任务迁移到服务端处理。该动态迁移算法能够通过实时监测设备的电量和网速,综合考虑卸载与不卸载决策所带来的能耗与延迟的开销,做出一个最优的迁移决策,有效地减少了计算延迟和电量的消耗。结果表明在网速区间为0MB/s-8MB/s时,智能卸载算法较本机执行的能耗总体损失降低了128.4%,较卸载到云端运行的总体效率提高了121.2%。（3）基于上述研究结果设计了小麦生育期监测服务系统。此系统可以在移动设备进行服务的计算,也可以将服务任务迁移至服务器端进行计算。在移动端,使用Tensorflow Lite开源框架将经Tensorflow框架训练的小麦生育期监测模型和用于计算卸载的决策模型转化为能在移动设备上运行的文件形式。服务端时刻监测服务请求,在接到识别任务时触发运行Dockerfile文件生成服务Docker服务。并将结果返回给移动端并清理Docker容器,完成识别过程。本文提出了一种基于深度可分离卷积和残差网络的轻量级小麦生育期监测模型,并从从小麦生育期监测模型整体卸载迁移角度,提出一种基于移动边缘计算的小麦生育期监测模型动态迁移算法,用于实时分析移动端设备在当前状态下是否适合将计算任务迁移到服务端处理。最后基于Tensorflow Lite和Docker技术设计了一个基于边缘计算的小麦生育期监测系统。本文的研究为小麦生育期监测提供了一个高质量的服务方案。