随着万物互联时代的到来,具备检测能力的物联网设备数量呈爆炸式增长,基于此,网络边缘产生了海量的实时数据。传统云计算模式已无法高效地满足物联网设备的需求,此时边缘计算以低时延、低带宽成本和高安全性等特点成为了新兴的计算模式。由于目前主流的基于深度神经网络的目标检测模型具有高存储、高计算量的特点,所以无法直接利用存储和计算资源均受限的边缘设备完成计算任务。因此,如何利用边缘计算模式完成目标检测任务是一项亟待解决的问题。诸多实际场景中新的数据样本和新的数据类别是逐渐产生和更新的,为这些新的数据和类别独立地训练新的模型固然可行,但模型的部署将会给资源受限的边缘设备带来非常大的计算资源开销。因此针对数据及类别逐渐产生和更新且硬件资源有限的场景,如何在实现模型容量增加的同时维持或降低模型大小是目前面临的一个极大的挑战。此外,极大降低模型大小会产生较大的准确度损失,因此,为避免压缩模型,可借助云服务器完成协同计算。在该场景下,如何在尽量保持模型准确度的前提下加速模型的推理是亟需解决的问题。针对以上挑战,本文研究面向目标检测执行效率优化的边缘计算技术,主要工作及创新点如下:（1）针对数据及类别逐渐产生和更新且硬件资源有限的场景,本文提出了一种基于多中间层知识蒸馏的增量学习（ILMIL）方法。首先,本文提出了包含多中间层特征图的MFRRK蒸馏知识,该知识中含有大量的旧类信息。其次,使用MFRRK蒸馏知识完成现有模型的增量训练,避免训练使用多个独立模型带来的资源开销。之后为进一步降低模型复杂度,可在知识蒸馏前进行剪枝操作来压缩现有模型。实验结果表明,在对现有模型进行增量时,本文方法在新类、旧类和总类上均得到了有效的精度提升;在对压缩模型进行增量时,在达到46%压缩率时最少仅损失1.5%的精度。（2）针对硬件资源极其受限且对模型准确度有高要求的场景,本文提出了一种基于中间数据压缩的边云协同推理（IDC）方法。首先,为降低模型划分点处输出数据的网络传输时延,提出了基于区域压缩和量化的数据压缩方法,该方法可针对目标区域实现数据的差异性压缩。其次,本文以层为单位对模型进行划分,为了能够在满足实际需求的前提下,获得最优的划分点,提出了基于精度和时延的划分点选择方法。实验结果表明,本文方法在仅损失5%的精度下最高达到了5.2的加速比;在满足实际需求的前提下,本文方法可获得最优的划分点。