深度学习作为支撑现代智能应用的核心技术,由于其高准确率和高可靠性,已在计算机视觉、语音识别和自然语言处理等领域得到了广泛的使用。但由于其庞大的计算开销,传统的深度学习应用往往是部署到云计算中心上执行推理,在这种计算模式下大量数据通过高延时的广域网传输至云中心往往会造成较大的通信延时。而雾计算作为云计算的衍生技术,通过将计算从中心下沉至边缘设备可以有效的解决深度学习应用响应时间过长、网络传输带宽压力过大等问题。本文结合雾计算环境的特点,为深度学习模型在边缘设备上的部署实现设计了解决方案,并在此基础上完成了雾计算环境下分布式深度学习系统的设计与实现。为了将深度学习模型部署到资源有限的边缘设备上,本文提出了一种基于Genetic-CNN算法的分布式卷积网络搜索算法,通过该算法搜索包含分支结构的卷积网络模型以便将模型部署到多个边缘设备上协同执行推理,来降低深度学习模型对边缘设备的计算需求,并尽可能的保证模型的准确率。同时在此基础上通过对进化过程中的适应度函数添加计算复杂度与结构约束来降低模型的计算开销,并提高模型的表征能力。进一步的本文还设计了基于遗传算法的分布式深度学习模型的部署算法,以便将上述模型部署到合适的计算设备上以降低计算的响应时间。具体的,本文首先介绍了雾计算环境下深度学习应用的一些研究进展,然后解决了雾计算环境下分布式卷积网络的设计、部署等关键问题;然后在此基础上对本文所述分布式深度学习系统的功能需求设计了整体的实现方案,包括总体架构、功能模块、模块间交互等,并对核心模块的设计与实现进行了详细的说明;最后搭建测试环境完成了系统的功能测试,并给出了不足之处和改进方向。