随着万物互联时代的到来,物联网边缘设备数量的迅速增加,使得该类设备所产生的数据急速增加。为了使物联网能够更加智能地为用户提供信息服务和可靠的决策,可以从这些海量数据中充分挖掘出有价值的知识。目前利用云计算模型进行集中式处理物联网产生的大数据已开始显示诸多缺点。边缘计算将数据计算或存储迁移到靠近用户的网络“边缘”,减少网络传输带来的时延,此外边缘计算模式能较好地保护用户的隐私数据,降低敏感数据隐私泄露的风险,已经逐步成为解决物联网和本地化计算需求的新模式。然而,由于物联网边缘设备计算资源有限,在云计算平台上的用于图像数据分类处理的深度神经网络程序难以在物联网边缘设备中直接部署应用。论文研究了基于边缘计算进行物联网图像数据分类处理的方法,减缓网络带宽的压力,减少数据处理的时延。采用边云协同的多智能体模型,对用于图像数据分类处理的卷积神经网络添加提前退出分支;使用线性回归模型,根据网络时延和设备负载选择合适的退出分支点,通过分支点将卷积神经网络按层次结构划分成包含输入的浅层部分和包含输出的深层部分。在边缘设备上部署神经网络浅层部分建立边缘智能体,云服务器设备上部署神经网络深层部分建立云智能体,以边云协同合作的方式构建多智能体。卷积神经网络的推理执行可以在本地终端上完成分类并退出,进行快速的局部推断;当需要进一步进行额外处理时,数据可以传输至云服务器端,进一步利用云端的深层深度神经网络进行处理,以提高系统的表现精度。本文使用树莓派3B作为物联网边缘设备,模拟物联网边缘计算场景。使用Chainer深度学习框架搭建了卷积神经网络的仿真实验系统,对论文所提出的方案进行仿真验证,实验证明方案的正确性和可行性。