随着互联网的发展,网络中的数据流量呈现指数型爆发增长的态势,新型数据密集型应用对边缘网络数据处理能力的要求越来越高。传统的云计算方式是将终端设备产生的数据上传到云数据中心,在云数据中心进行数据密集型的智能处理。考虑到这一过程中海量的数据传输,这种中心化处理方式受到网络带宽限制以及网络安全限制,会影响数据处理的质量和速度。为了解决这些问题,可以结合边缘网络计算存储资源,在边缘网络上进行部分数据处理,边缘计算应运而生,已经成为数据密集型应用领域的核心研究热点。边缘网络节点的计算和存储资源有限,这一限制已经成为制约边缘网络上的数据处理和学习的关键。在海量数据处理和学习过程中,为了保证数据学习性能,需要对边缘网络节点的计算和存储资源进行合理调度。集成学习是一种常见的学习性能提升方法,本文针对这一学习方法,研究网内缓存智能调度机制,保证边缘网络集成学习的性能和效率。集成多样性（子模型之间的差异）是影响集成学习性能的关键因素。本文提出了一种面向边缘集成学习的网内缓存智能调度机制,可以利用边缘设备上的存储资源和分布式计算方式来实现用户数据的高效收集、处理和分析。具体来说,首先,对各边缘节点的缓存数据进行压缩记录,进而根据记录使用自适应协同缓存调度方法进行各边缘节点的差异化数据缓存。其次,在各边缘计算节点使用缓存的不同数据进行子模型的分布式学习,得到差异化的子模型。最后,将子模型的参数上传到中心节点,进行子模型的集成。本文提出的缓存智能调度机制可以根据模型的训练数据分布,合理调度边缘节点的缓存数据,提高子模型差异性,进而提高集成学习的性能。同时,在提出的协同缓存调度机制上构建了边缘集成学习框架,重点研究边缘网络离散事件发生器和分布式深度学习模块的设计与实现,形成了一个完整的边缘集成学习框架。为了验证缓存调度和边缘集成学习的性能,通过集成先进的深度学习框架,本文设计并实现了建立在离散事件仿真器上的边缘集成学习仿真框架。在仿真平台上,制定了针对边缘缓存调度和集成学习的实验策略,基于4个评价指标（模型准确率、训练时延、网络数据传输负载和缓存命中率）验证所提出机制的有效性。通过对比分析,本文提出的机制在保证学习准确性的情况下,可以有效降低边缘网络集成学习过程的数据传输开销和学习时延,对集成学习在边缘网络中的应用具有一定的理论和实际意义。