物体认知是指以嵌入式计算机为核心,利用传感器采集物体图像、形态、声音、气味等信息对物体进行识别的一种技术。传统的物体认知系统基于射频识别等传感技术,可快速进行物品追踪和数据交换,然而射频识别技术依赖于物品上的电子标签,有较高成本且有距离限制。随着硬件设备的升级以及网络技术的发展,图像逐渐成为了物联网大数据的组成部分。与此同时,针对图像数据的计算机视觉算法也得到了长足的发展。与纯粹的计算机视觉算法相比,物体认知系统更接近硬件设备与用户,与数据采集、传输以及交互过程结合的更加紧密。本文基于现有图像识别技术,从运算分布、数据传输、可增量学习等角度入手,研究了利用物联网设备采集到的图像进行物体认知所需的关键技术。本文的主要工作如下:(1)针对物体认知系统的图像处理能力,提出了适用于物联网环境的增量图像识别框架。本框架将特征提取、训练、推理的过程切分开来,使系统具有快速持续学习的能力,并使得设备的计算能力可以得到更好的使用。(2)针对物体认知系统的运算分配问题,提出了多层神经网络推理过程在多层物联网架构下的切分算法。与传统物体认知技术不同,在数据采集端完成图像识别的所有操作代价过于高昂。而物联网设备相互独立,设备间的数据传输会消耗资源。本文针对这一问题,以最快响应为目标,提出了运算分配算法,加速了推理过程。(3)基于上述技术,设计了基于图像识别技术的物体认知系统,并给出了它在移动端与嵌入式设备上的实现。这是一套高自由度,广适应性的系统,与应用需求结合紧密,能以极低的代价为用户提供个性化的解决方案。