深度卷积神经网络的出现使人工智能得以迅速发展,使得人工智能在许多领域发挥出举足轻重的作用,如智能家居、智慧医疗和智能交通等。智能化水平的提升不可避免的要求深度卷积神经网络更加复杂,以应对复杂的应用场景。然而硬件的发展遇到瓶颈,硬件资源提升的速度已无法跟上模型复杂度的增长速度,模型越来越难训练,使得人工智能的入行门槛也越来越高。物联网中的移动终端中存在着丰富的空闲硬件资源,如何利用它们成为了人工智能亟需解决的问题。5G通信技术的出现,一定程度解决了端与端之间的通信问题,人工智能有效的利用移动终端设备硬件资源成为了可能,推动了边缘计算领域的发展。在边缘计算中,移动终端设备是部署模型和训练模型重要的载体,但移动终端设备的硬件资源不及专用服务器丰富,复杂的模型通常无法在边缘的终端设备上进行有效的训练。训练复杂模型的背景下,本文对在资源受限的移动终端设备上,训练复杂神经网络模型的方法展开了研究,主要的工作贡献如下:（1）研究了基于轻架构与参数共享的训练算法。该算法从优化模型大小目的出发,依据模型在训练过程中产生的中间数据通常是模型的主要存储开销这一原理,设计了一种训练时产生较少中间数据的轻架构,并利用迁移学习的参数共享的方法,将其与原模型结合,在训练时将原模型参数冻结,轻架构则成为了训练时参与梯度下降的主要结构,使得新模型部署到资源受限的边缘终端设备上时能有效的训练。（2）研究了两步量化的模型压缩算法。该算法进一步优化模型在边缘设备上的训练过程。利用模型压缩的思想,对轻架构和原模型结合而成的新模型进行两步量化,压缩新模型,使其部署到边缘终端设备上时需要更少的存储资源和计算资源,同时模型的效果也能得以维持。（3）通过大量实验来证明本文提出算法的有效性。在多个公开的数据集,如CIFAR-10和Food-101,和多个常见的神经网络上,如Res Net-50和Proxyless Net设计了丰富的对比实验。分析了在不同算法下的模型的大小与模型的效果,证明了基于轻架构与参数共享的训练算法有效性以及两步量化的模型压缩算法的有效性。