物联网技术的快速发展为遥感和空间信息科学带来了机遇,各类智能设备可持续感知周边环境,形成了一个密集部署、移动覆盖、广泛存在、互通互联的感知网络。随着边缘计算的普及,在靠近网络边缘的位置为物联网终端设备提供感知数据存储和其他应用服务,能够进一步挖掘物联网终端设备感知数据的应用潜力。然而,由于其自身硬件能力的限制,在基于终端设备的感知应用中,需要平衡设备的能耗和工作强度等因素。另一方面,当大量终端连接到云或边缘端时,会造成网络响应速度下降等问题。物联网设备的工作方式,边缘网络对任务的调度和处理,直接影响系统的效率,是物联网边缘计算中的重点研究问题。针对物联网环境下事件检测以及边缘网络环境中任务调度和边缘协作问题,本文分别从物联网连续目标事件边界检测、多边缘服务器协作环境下的复杂任务调度两个方面展开研究,对连续目标边界区域检测精度及能效、边缘网络任务调度延迟以及系统长期能耗延迟等进行优化。主要研究内容包括:(1)提出了基于传感器混合部署模式的目标边界区域检测机制。利用静态传感器进行大范围目标区域感知,通过空间插值算法预估连续目标的边界区域,最后利用移动节点的探索得到精确的目标边界区域。实验结果表明本研究所提出的方法能够有效提高边界区域检测精度,针对移动节点的启发式路径规划算法能够平衡任务的时间约束和能耗要求。(2)提出了基于边缘节点协作的复杂任务优化机制。在云端对复杂结构任务进行拆分,获得一组数据功能独立的子任务,计算参与协作的边缘节点之间的有向边权重,并生成子任务的执行位置和顺序。实验结果表明,相较于传统的云计算中心模式和一般的边缘计算模式,基于最小生成树的任务协作调度算法大幅度降低了系统处理用户请求的延迟,提高了用户的满意度。(3)提出了基于边缘服务器协作的复杂任务在线调度优化机制。该方法基于马尔科夫决策过程进行问题建模,分阶段对隶属于不同用户请求的子任务进行调度。利用近似方法对决策动作的值函数进行参数化表示,以避免系统状态规模较大而产生的维数灾难问题。实验结果表明,所提出的基于强化学习的任务调度机制能够优化系统的长期平均能耗和时延,实现整个网络的负载均衡。