随着物联网以及云计算等技术的成熟与普及,数以百亿的终端设备产生了规模庞大的数据,这些数据被上传至算力强大的云中心进行处理。基于此,以数据和算力为主要驱动力的深度学习算法得以飞速发展。深度学习算法因优异的泛化性在计算机视觉、自然语言处理、自动驾驶、机器人决策等领域得到了广泛应用,助力智慧生活和工作成为现实,具有广阔的发展前景。在传统的基于“云-端”架构的智能系统中,深度学习应用部署于拥有强大计算能力和良好可扩展性的云中心。设备端产生的海量数据需要通过网络传输到云中心以支持深度学习模型的训练和推理。然而,以云为中心的计算模式存在实时性不足、带宽有限和隐私泄露等问题。为了缓解上述问题,边缘计算应运而生。边缘计算可以承接下行的深度学习应用服务以及上行的终端数据处理任务,在数据产生源侧就近执行深度学习模型,显著地弥补了以云为计算中心暴露的问题。然而,边缘设备的硬件资源有限,部署计算和存储资源需求大的深度学习模型时面临着严峻的挑战。作为计算和存储密集型任务,深度学习算法运行时会在计算单元和存储单元之间频繁进行数据搬运。随着数据量的增大,这不仅对边缘设备的内存带宽提出更高的需求,导致“内存墙”问题,还会消耗大量的能耗,造成“能耗墙”问题。基于阻变式存储器（Resistive Random Access Memory,ReRAM）的存内计算（Processing-in-Memory,PIM）技术的出现,为以上问题的解决提供了契机。然而,目前基于ReRAM的存内计算技术发展尚不成熟,其底层特殊的硬件属性难以被上层的深度学习模型感知,造成运行效率低、无效计算多等诸多难以回避的问题,从而导致其性能和能耗优势难以被充分发挥。因此,本文重新思考了面向边缘侧深度学习算法的ReRAM存内计算系统,从深度学习模型压缩、深度学习执行引擎设计以及深度学习计算架构设计三个层次展开了研究:（1）针对深度学习模型部署于边缘设备需要的计算和存储资源不足的问题,本文提出了基于敏感性分析的深度神经网络（Deep Neural Network,DNN）权重/激活联合剪枝方法,该方法考虑模型的准确率、压缩率和硬件效率三个维度,通过基于聚类的DNN权重模式剪枝算法和基于稀疏行的DNN激活值剪枝算法同时移除冗余权重和激活值,既压缩了 DNN模型又裁剪了无效计算。实验表明,本文提出的权重/激活联合剪枝方法平均减少了 55%的存储空间占用和63%的计算量。（2）针对基于ReRAM的交叉阵列硬件结构无法有效支持DNN模型压缩算法的问题,本文提出了面向剪枝-量化联合压缩算法的ReRAM DNN执行引擎。首先,本文提出了基于细粒度块感知的剪枝-量化联合算法来压缩DNN模型。为了高效地支持该算法,本文进一步设计了一种可配置的基于混合操作单元的单比特ReRAM DNN执行引擎。实验表明,该执行引擎使得用基于细粒度块感知的DNN剪枝-量化联合算法压缩后的模型可以获得更高的性能和更低的能耗,且减少了占用的存储空间。（3）针对基于ReRAM的DNN存内计算结构存在许多无效计算的问题,本文提出了面向细粒度DNN权重模式重用策略的ReRAM执行引擎,该执行引擎主要包括重复权重模式感知的计算引擎和重复权重模式-操作单元映射表来实现存储空间压缩和计算重用。实验表明,该执行引擎相比先进的ReRAM DNN执行引擎平均提高了 1.73倍的性能,降低了 56.53%的能量消耗,节约了 52.95%的ReRAM空间。（4）针对边缘侧DNN缺乏整体高效能存内计算架构的问题,本文设计了基于ReRAM的高并行DNN存内计算架构,该架构为面向细粒度DNN权重模式重用策略的ReRAM执行引擎提供了支撑。另外,本文为该架构的处理单元设计了六级流水线,同时,以异步方式实现了 DNN模型的不同层之间的并行执行。实验表明,该DNN存内计算架构实现了高达2.74倍的性能提升,72%的能耗降低和70%的ReRAM空间节省。综上所述,本文从系统结构的角度出发,利用软硬件协同技术,在基于ReRAM的DNN存内计算专用加速架构的设计与研究方面进行了一系列关键优化,实现了在边缘侧高性能、低功耗的运行深度学习算法的目标,旨在推动边缘智能的发展与应用。