随着边缘计算概念的出现,边缘设备的研究逐渐成为热点。当前深度学习技术的迅猛发展,使得边缘设备与深度学习的结合应用逐渐进入人们的日常生活。因此,人们越来越需要利用边缘设备快速高效的实现涉及深度学习算法的应用。传统的边缘设备工作模式是由边缘设备获得各种数据,然后将数据上传到云计算平台实现复杂算法,再将结果回传至边缘设备。不仅需要大量网络开销,也给应用带来了明显的延迟,这些限制对于某些特殊应用是不可接受的。新的模式是由云计算平台训练和优化网络模型,在边缘设备直接应用实现。本文使用高性能计算平台训练深度学习模型,再将训练好的模型部署到树莓派4B开发板上实现障碍物目标的实时检测和对车牌图像的识别。使用神经计算棒（NCS）来实现对障碍物检测和车牌识别的加速和优化。本文的主要研究内容如下:设计和搭建基于树莓派的智能车及其行驶轨道作为实验平台,通过传统的机器学习目标检测方法和卷积神经网络Mobile Net-SSD算法模型实现障碍物目标检测。结果显示传统方法检测障碍物目标获得较高帧率（FPS）,但准确率较低。而卷积神经网络算法能够检测同一图像中的多个目标且准确率高。结合基于U-Net网络的增强模型和LPRNet模型实现弱光车牌图像的识别。将训练好的网络模型移植到树莓派上,输入测试图像,运行模型。结果显示识别一张车牌图像平均耗时22.60毫秒,准确率能达到0.76。加入神经计算棒（NCS）并且配置三种不同的实验环境,分别对障碍物目标检测和车牌识别进行加速实现。结果表明对于障碍物的检测而言,从单独的树莓派CPU到最优配置组合（CPU+NCS 2+Open VINO）,FPS从0.89上升到7.29,加速了近8倍;对于车牌识别,每帧图像的平均处理时间从16.95毫秒减少到6.30毫秒。加入计算设备后,树莓派的性能能够保持稳定,功耗有所增加但可以接受。本文讲述了以卷积神经网络为代表的深度学习算法在嵌入式设备中的实现,验证了NCS深度学习加速器的有效性,能够加速实现一定复杂度的深度学习网络。此外,基于边缘计算实现的几种算法也具有广泛的应用前景,如障碍物检测算法应用在无人机避障,弱光环境下车牌识别算法可用于智能车驾驶辅助系统。