随着万物互联时代的到来,网络边缘的设备数量及其产生的数据量快速增长。但是,由于网络带宽的限制和对数据隐私性的要求,将边缘设备产生的数据全部传输至云数据中心进行处理是不可行的。因此,在网络边缘部署分布式机器学习模型的新范式——分布式边缘学习出现。分布式边缘学习中,现有的模型聚合结构大多是集中式的。然而,这种聚合结构具有通信效率低,可扩展性差以及单点故障问题。为了解决此问题,层次化的聚合结构被提出,它根据网络拓扑和数据分布对设备进行分组,形成树形的结构。在层次化的聚合结构下,由于边缘设备具有资源异构的特点,传统的强同步通信方式不适用于异构的边缘环境,它会导致训练速度快的设备需要等待慢的设备,从而造成资源的浪费。另外,边缘环境中资源是动态变化的,离线的聚合频率优化方法不能适应实时变化的环境。本论文考虑在层次化的模型聚合结构下,针对边缘环境资源异构和动态变化的特点,对聚合频率的优化问题展开研究,主要研究工作如下:（1）针对边缘环境资源异构的特点,本文提出采用弱同步的通信方式进行模型聚合,即在层次化的聚合结构下,处于同一层的边缘设备可具有不同的聚合频率,目的是提高设备的资源利用率,模型的收敛速度及训练精度。同时,本文设计了基于异构资源的聚合频率控制方法（RAF）,该方法根据边缘环境中的资源,为聚合结构中的每一个边缘设备确定最优的聚合频率,从而充分地利用设备的资源和减少设备的等待时间。此外,在RAF的基础上,本文提出在模型训练的过程中,自适应地调整设备聚合频率的方法,以减少因边缘设备间聚合频率相差太大所带来的精度下降。通过在边缘计算测试平台进行大量的实验,本文发现RAF方法在模型收敛速度和精度上明显优于其他基准方法。（2）针对边缘环境动态变化的特点,本文提出模型聚合结构及频率联合在线优化方法（Auto SF）。在模型训练的过程中,边缘环境是周期性变化的。当边缘环境发生改变时,本文采用资源模型和预测器相结合的评估器和基于随机搜索算法的优化器,自适应地控制模型的聚合结构和频率,以适应变化的网络拓扑和带宽资源。此外,当边缘环境未发生变化时,本文设计了启发式的算法,在线地调整聚合结构和频率,以缓解设备间的数据non-IID问题。实验结果表明,Auto SF方法在模型收敛速度和精度上相比于现有的方法有显著的提升。