目标行人搜索是计算机视觉领域中的新兴热点研究方向之一。类似以图搜图、人脸识别的技术,目标行人搜索模型利用目标的全身图像在海量的摄像头视频搜索目标出现在哪个摄像头,如何从各种不同的拍摄角度判断是同个人是最难的部分。目标行人搜索充分的应用在商场以及嫌犯搜索等领域,由于目标行人搜索属于深度学习的应用,特别需要GPU的运算资源,随着摄像头的增加,扩展性受到限制,近年来愈来愈多的嵌入式装置,例如英伟达的TX2开发板以及树莓派等等,有了基本的运算功能,若将此运算资源利用可以适度减轻中央服务器的负担,且目标行人搜索属于一种多任务模型,有切割及压缩模型的空间。本研究将行人检测模型和行人重识别模型相结合,提出了一种新的基于一阶段行人检测模型的架构,虽然已有行人搜索模型融合的相关研究,但是都是基于二阶段行人检测的方法,虽然提升了精准度,但是其资源消耗量大,难以达到实时搜索的目的,本研究基于一阶段检测的目标行人搜索模型能节约近2倍的参数量以及提升近3倍的识别速度。一阶段行人检测模型受到类别不均衡影响,精准度较二阶段检测模型低了一些,故本研究针对此问题,提出一种新的模型训练方法,能有效解决一阶段行人检测类别不均衡的问题,由于行人重识别子网所计算出的相似度不受类别不均衡所影响,故具有良好的参考性,训练的方法根据相似度对行人检测子网的训练样本提供动态的样本重要性辅助参数,针对不同的简单和困难样本的重要性提供动态的损失函数,将一阶段行人检测子网的精准度达到二阶段检测的水平。边缘计算是一门如何利用边缘装置的计算资源与中央服务器进行协同的研究,本文参考最先进的边缘计算的研究成果提升行人搜索这类计算密集型任务,并提出一种模型分割及计算任务分配的算法,以利云端利用边缘计算的技术适度的分配任务给服务器以及边缘计算受限的装置,降低模型的资源消耗,大幅的提升目标行人搜索模型的可扩展性。模型分割上,由于本文的端到端目标行人搜索模型进行了一定程度的压缩,能在硬件资源稀缺的边缘设备上部署多种分割后的模型,此外,本文设计了基于最大熵原理的算法,在加入了多个受限条件后,在边缘设备最小死机概率下,选择资源最大利用率的模型。我们使用CUHK-SYSU及PRW行人搜索训练集进行训练,并搭建了与此数据集相似的场景进行实验及分析。模型识别速度、精准度、训练的收敛速度均为实验分析的侧重点。实验结果表明通过边缘计算的技术以及轻量化后的行人搜索模型,能使服务器节省80%的运算资源,并提升30%的识别速度,此外,识别的精确度与最先进的行人搜索模型NPSM匹配。