随着网络通信技术的发展和万物互联时代的到来,网络边缘设备及其产生的数据量都在高速增长。以云计算为代表的集中处理模式已经不能满足海量边缘数据在实时性、能源消耗和隐私安全等方面的需求。智能驾驶和智慧城市等新型应用也推动深度学习模型在物联网场景下的应用越来越广泛。然而,物联网环境中边缘设备的资源非常有限,无法满足深度学习模型对于计算、存储和通信等方面的资源需求。因此,高效的模型划分方式和分发调度策略成为在资源受限的边缘集群中部署和运行深度学习模型的关键。本文对物联网边缘集群下卷积神经网络模型的部署和运行方案进行深入研究,基于模型划分和分布式协同推理方法提出了相应解决方案,减小了边缘设备的内存占用,并降低了推理执行延迟。具体的研究工作概括如下:（1）针对资源受限的物联网边缘环境,分析了模型划分的基本原理,提出一种基于纵向融合划分模型的自适应方案。在边缘场景下,单一边缘设备通常无法运行和存储整个神经网络模型,现有的划分策略不能有效地适应边缘设备。提出的方案具有自适应能力,能根据边缘设备的内存情况高效划分模型任务,快速适配于边缘设备。实验分析表明,可以有效降低内存占用,减少中间特征数据传输开销,并且能探索更高的任务并行性。（2）针对自适应划分后的分区任务,提出一种高效的分布式协同推理策略。对于资源需求很大的卷积层,基于卷积运算性质,纵向划分后的分区任务之间会存在数据重叠部分,造成大量冗余计算。采用数据重用方案,分析重用数据引发的依赖关系,提出一种量化表示分区任务依赖程度的方法。在依赖关系和代价函数的约束下,提出一种并行执行分区任务的分布式调度策略。通过实验分析与评估,提出的策略可以高效调度分区任务,有效减小通信开销、降低推理执行时间。