近年来,深度学习在许多应用中都取得了巨大的成功。例如,基于深度学习的人脸识别技术已经广泛地应用于我们的日常生活之中,极大地提高了我们生活的安全性和便利性。可以预见,随着5G商用的加速,物联网（Internet of Things,Io T）设备的数量将会急剧增长,这些设备产生的数据也会随之爆炸式增长。分布式深度神经网络（Distributed Deep Neural Network,DDNN）能够将分布式计算、深度神经网络以及大数据有机结合起来,因此蕴藏着很大的潜力。为了改善现有DDNN模型的性能,本文对DDNN模型的结构优化问题进行了研究。由于IoT设备大部分都是嵌入式设备,所以它们的计算能力、存储容量以及电能一般都是有限的。为了弥补Io T设备的这些局限性,本文改进了现有的DDNN模型,建立了一个新的DDNN模型。相比于改进前的模型,建立的新模型减小了分布在Io T设备上的模型尺寸,从而可以减小在模型推理过程中需要的计算能力、存储空间以及电能。实验结果表明,建立的新模型能够达到很高的精度,并加快模型的推理。考虑到每个终端设备由于所处位置不同导致视角的相对重要性不同,本文基于这种差异性建立了一个上下文感知的DDNN模型。相比于现有的DDNN模型,新模型的最大区别在于增加了一个特征重要性评价机制。当特征的重要性低于重要性阈值时,它将不会被传输到后端进行加权融合,使得终端设备的通信成本和能量消耗减少。实验结果表明,如果能够很好地调节模型的超参数,建立的新模型可以在模型精度下降较少的情况下减少终端设备的通信成本。