“边缘人工智能”（edged artificial intelligence,edged AI）将机器学习带到了移动端,为大数据的研究有效地降低了时间成本、经济成本、能源消耗,在人们的视线中逐渐明朗,众多行业中对边缘AI的技术研究也伴随着人工智能的发展与成熟逐渐崭露头角。随着气象现代化建设的进程,很多地方都建成了自动雪深探测仪,绝大多数地区都采用江苏省航天新气象科技有限公司自主研发生产的地面降水降雪探测（ground-baesd instrument shower-snow,DSS1）型雪深探测仪,在雪面天气,依托自动测量雪深的有效手段,在防灾减灾方面发挥了极大的作用,然而也不时出现一些错误数据。本文主要研究移动端雪面识别技术,从机器学习的角度出发,辅助雪深激光探测仪识别测雪板上的雪,降低误测率。本文以带有深度学习模块的嵌入式海思Hi3559A为硬件处理器,针对移动端设备内存小、算力低、供电不足、设备后期维护成本高等难题,设计了低功耗嵌入式雪面识别系统,主要研究内容如下:1.根据图像裁剪原理,从位置信息的角度出发,保留敏感像素点,尽可能避免图像裁剪带来的信息损失,有效减少计算量,提高图像分类的识别率;2.设计了图像增强算法,通过非线性变换Y分量修改图像亮度范围,使得当前场景下图像画质达到最优,在保持图像颜色信息的条件下提高清晰度,遇到霜冻、雾霾、降雨等天气,仍然可以正常识别;3.训练caffe1.0框架下的Mobile Net V2图像分类网络并移植到Hi3559A模组中,实现雪面的自动识别;4.在硬件电路中增加分频电路判断方波个数,电路全部采用场效应管以达到低功耗、低延时的目标;在测试环节中,主要进行了功能测试和性能测试两个方面,测试的结果表明模组能够实现图像采集、图像处理和图像分类、通用型输入输出接口（general purpose input/output,GPIO）输出功能。性能测试表明,平均功率2W,漏电流为0.031A,待机电流为0.185A,识别率99.7%,识别一张图片的时间为0.8s,可以应用于气象监测领域。