近年来,深度卷积神经网络(DCNNs)在图像分类和识别方面达到了极高精度水平。现阶段大量研究已经开始致力于对深度卷积神经网络模型进行剪枝、量化等,使其能直接运行在资源受限的终端。但是,这种移植后的神经网络模型只能执行预测,这就导致模型对于多变的真实环境适应能力较差,若要使得模型能适应这种多变环境,则需要模型能持续地学习(训练)。然而,由于训练神经网络模型不仅需要大量的计算和存储资源,而且还需要大量的数据集,因而使得在资源受限的终端上训练模型不现实。因此,本论文的研究将针对模型持续训练(学习)的需求与终端上训练模型不现实之间的矛盾进行研究,利用强大的云端辅助嵌入式终端训练模型。在本文中,提出了一种基于增量学习思想,利用云端来辅助嵌入式终端上深度卷积神经网络模型实现持续更新的框架,并且针对该框架中存在的问题进行了优化,主要包括四个方面。首先,针对框架中数据收集过程带来的网络传输消耗问题,提出了一种过滤策略——“蒸馏”策略,以达到减小无用数据的上传而导致的网络传输浪费的目的;其次,针对云端深度卷积神经网络重训练过程中参数初始化问题,采用了类似微调的方式进行初始化,以达到减小模型下载过程网络传输消耗的目的;再次,针对云端深度卷积神经网络增量学习过程中存在的灾难性忘记问题,采用了新数据集和旧训练集融合的方式,以达到避免模型灾难性忘记的目的;最后,针对利用云端生成的新模型更新嵌入式终端旧模型过程造成的网络传输消耗问题,提出了一种权重提取策略——“榨汁”策略,从新深度卷积神经网络模型中提取少量重要的权重,以达到优化该框架中模型下载过程产生的网络传输消耗的目的。通过模拟实验,用于过滤上传数据的“蒸馏”策略能减小39.4%的上传数据,且对新模型性能提升的影响不大(过滤掉的数据对新模型性能提升无贡献),这充分说明该上传优化策略是可行有效的。对于旧模型下载过程中使用的权重提取策略——“榨汁”策略,通过多个深度卷积神经网络实验验证了“榨汁”策略能有效减小多于60%的数据传输,且能使得旧模型达到新模型的性能水平。