近年来,神经网络成为了人工智能领域的关键技术。特别是大数据时代的到来,人们对数据进行深度挖掘分析的需求更是使其迅速发展。但是数据爆炸式增长,就需要更先进的硬件设备去部署更加复杂的神经网络模型,这在一定程度上限制了神经网络的发展。于是一种基于云端、边缘和终端的分布式深度神经网络应运而生。这种分布式神经网络将位于终端的小型神经网络和位于云端中的大型神经网络结合起来,具有多个出口,既能够在边缘和终端设备上使用部分神经网络进行快速、本地化的计算,又能在云端使用复杂的深度神经网络进行推理计算。这种基于计算层次的分层结构一定程度解决了由于神经网络模型和数据集的日益巨增的规模所带来的性能瓶颈的问题。但是由于分布式的架构,其在对各个终端输入的数据进行处理时面临着数据分布不一致的问题,并且这种层次之间的相互通信还会产生很大的通信成本和延迟问题。为了解决数据分布不一致,本文基于迁移学习的思想,提出了一种领域自适应方法,通过对抗生成网络,捕捉数据之间的多模态结构,去减少数据集之间分布不一致所带来的影响。此外为了解决分层架构带来的通信问题,本文使用了软件定义网络(Software Defined Network,SDN)的网络架构,并基于SDN能够实现网络的控制和转发相分离的特点,提出了一种基于SDN的计算通信一体化架构。该架构通过制定北向应用,能够快速有效的将带宽策略下发到SDN交换机设备,创建路由规则,能够满足QoS需求,有效的提升网络中的服务质量。通过SDN管控分布式神经网络中的计算节点之间的流量传输,能够有效减少网络堵塞,实现整个网络的负载均衡。最后本文通过搭建仿真网络,将带有领域自适应特性的分布式深度神经网络部署其中,并进行对比实验。在实验中观察分类任务准确率以及网络中的时延,流量等指标,通过对比传统的以及基于SDN架构的分布式深度神经网络,可以看到后者在完成相同实验的同时既能保持较高的精准度,又能够保持较低的时延以及较低的链路占用比。因此,SDN对分布式深度神经网络的发展具有一定帮助和指导意义。