随着人工智能、大数据、物联网、5G等智能技术与产品的融合和发展,人类的各项活动所需要的服务也日趋复杂和智能,催生出智能视频监控、电子医疗、智慧城市、智能交通等诸多智能分析服务。智能分析服务通常需要大量的感知数据和计算资源,运行计算密集型机器学习算法,并需要实时处理反馈结果。若使用传统的云计算中心模式来支撑其运行,必然会带来较大的服务响应延迟、用户体验质量差等问题。而雾计算作为云计算的延伸,通过将计算力从云中心下沉至雾边缘设备,可以有效地解决智能分析服务响应时间长,以及边缘网络的传输带宽压力大等问题。本文结合雾计算边缘网络环境的特点,重点研究智能分析服务在边缘网络上运行所需解决的两个关键问题,分别是如何优化智能分析服务的感知数据采集流程,以及如何设计智能分析服务的边缘网络部署方案,并在此基础上完成了面向雾计算的智能分析服务运行支撑系统的设计与实现。第一个关键问题是在智能分析服务的输入数据采集流程中,针对时序感知数据采集中数据冗余、产生海量数据传输量等问题,本文通过引入雾-端协同预测机制来压缩边缘网络中信息冗余度高的数据传输量,并进一步细化上述机制中阈值研究,提出一种基于时空相关性的雾-端自适应同步算法,该算法能结合时序采集数据的时间连续性和感知终端的空间部署相关性,动态调整每个感知终端所对应的同步等待时长,从而减少雾-端协同预测机制的误判率,提高服务数据采集流程的鲁棒性。实验结果表明,该算法能减少约30.68%的误判率。第二个关键问题是,为了将复杂的智能分析服务部署到资源有限的边缘设备上,本文设计了一种基于改进Kernighan-Lin算法的服务边缘部署算法,能够在异构的边缘设备群中动态求解智能分析服务计算逻辑图的最优划分个数,并选择合适的边缘设备集合来完成服务的部署,尽可能得出一个减少服务整体运算时间的部署策略,进而降低服务响应时延。实验结果表明,该算法能减少约18.59%的服务整体运算时间。本文首先阐述了整体课题研究的背景和实际意义,分析了国内外学术界对这个课题的研究现状。接着对整个智能分析服务运行支撑系统的需求进行分析,并提出系统需要实现的两个关键技术问题,进行了研究并解决。然后在此基础上,对本文所述的面向雾计算的智能分析服务运行支撑系统的架构和功能模块进行了设计与实现,对模块内部的类与接口进行了详细的介绍。最后对系统的部署与测试进行了说明,并对论文的工作进行了简要的总结与展望。