随着万物互联时代的到来,边缘计算正逐渐成为物联网领域中新的计算范式,在人工智能技术的飞速发展下,边缘智能（Edge Intelligence,EI）将是大势所趋。与传统的云计算模式相比,资源分散且受限的边缘计算模式,给人工智能服务的训练推理、模型部署、资源分配等,都带来了非常大的挑战。本文针对边缘智能中任务推理场景和模型训练场景进行了分析,并设计了相应的优化算法。首先,针对边缘智能中的深度神经网络（Deep Neural Network,DNN）模型推理任务,由于现今热门的DNN模型通常规模十分庞大,边缘节点难以满足其存储和计算资源需求,因此提出了基于DNN模型的多任务云边联合推理优化算法（DNN-based Multitask Cloud-edge Joint Inference Algorithm,DMCJIA）,通过DNN模型拆分技术,实现云边联合任务推理,并建模为多任务场景下最小平均时延的优化问题。之后将非线性混合整数规划的Np-hard优化问题分解为模型联合卸载和云端资源分配的两个子问题,并设计了二进制遗传算法以及增广拉格朗日算法的双层嵌套优化算法进行了近似求解。实验结果表明,DMCJIA算法的任务平均时延成本相比边缘智能中的其他任务推理算法降低了约20%-30%,并且对于任务环境的变化具有很好的鲁棒性,可以很好的满足边缘智能中实时动态的任务推理需求。其次,针对边缘智能中的联邦学习模型训练任务,由于传统的联邦学习算法基于中心服务器架构,其节点资源利用率较差,且容易造成核心网络拥堵,因此基于gossip算法实现了分布式的去中心化模型协同训练,并分析了该算法的收敛性。之后通过借鉴模拟退火算法,改进了gossip模型训练中节点推送更新模型的概率分布,提出了基于自适应gossip的去中心化异步边缘联邦学习算法（Adaptive Gossipbased Edge Federated Learning,AGEFL）。实验结果表明,在不增加通信代价的前提下,AGEFL算法比传统联邦学习算法的模型训练速度提升了20%-60%,并且比经典的gossip模型协同训练算法具有更好的收敛性能。本文具体研究了多任务云边联合推理以及去中心化模型协同训练的关键问题,提高了任务推理和模型训练的执行效率,在边缘智能的分布式环境下取得了很好的效果。与此同时,在任务推理的求解稳定性以及模型训练的数据异质性上还存在着提升的空间,有待未来做进一步研究。