近年来,随着基于5G的物联网的发展,无线终端数量及其产生的数据呈现了爆炸性的增长。面对计算密集型的深度学习应用,集中式训练深度模型对计算性能和通信连接都提出严峻的挑战,迫切需要把计算资源前移至接近数据源的节点,以分布式的方式训练深度模型以降低对计算和和通信的资源需求。本文使用的分布式技术是交替方向乘子法（Alternating Direction Method of Multipliers,ADMM）,以模型参数信息交互代替节点数据信息交互,利用多机计算力并行训练模型,实现了对计算复杂度高、分布式存储和隐私保护的大规模深度模型训练,以提高对分布式数据的处理能力。本文研究了深度网络和ADMM结合的分布式分类算法,具体优化思路如下:首先,各节点独自利用各自本地数据训练各自的深度网络;其次,利用独立式训练好的深度网络提供节点各自的数据特征,在此基础上,利用ADMM优化得到全局最优的分类参数,并利用反向传播算法调整各节点深度网络的特征参数,以匹配全局最优的分类结果。最终,在CIFAR-10数据集分析了算法的有效性。在此基础上,针对深度网络和ADMM结合的分布式分类算法实现基于端到端的训练方式。本文提出了基于端到端深度学习的分布式分类算法,算法首先将各节点数据分成多个批次,通过二次前传技术,结合ADMM优化和反向传播优化算法,对分类参数和特征参数进行基于批次的逐步优化更新。具体优化过程如下:首先各节点当前批次数据利用前一批次的深度网络参数,从输入层到分类输出层进行第一次前向传播,得到各节点当前批次的数据特征;其次,利用各节点当前批次的数据特征,通过ADMM优化得到所有节点全局的分类层参数,并将分类层参数赋值到深度网络分类层中;接着,各节点当前批次数据从输入层进行第二次前向传播,使优化后的全局分类层参数生效;最后,各节点固定分类层,利用反向传播算法优化特征层。最终,在CIFAR-10数据集上分析了算法的有效性和优越性。