如今图像监控系统在针对人员寻找和抓捕中起到了越来越重要的作用。为了得到抓拍画面和降低画面传输延迟,边缘端人脸识别技术成为了公共安全监控研究热点。然而目前该技术在应用时存在如下不足:边缘设备运行速度慢、算法模型移植性差、设备产生的大量数据对网络带宽和安防系统服务器存储造成巨大压力。针对上述问题,本文一方面研究了一种改进型的多任务卷积神经网络（MTCNN,Multi-task convolutional neural network）人脸检测算法,并运用压缩模型的技术把此算法移植到边缘设备。另一方面减少了边缘设备上传的数据量,该方法不仅降低网络带宽和安防系统服务器存储压力,还能保证上传图片的实时性。基于上述算法,本文设计了一个面向公共安全具有数据可视化和路径追踪功能的人脸图像管理系统。基于上述内容,本文的主要工作为以下四个部分:（1）改进基于MTCNN的人脸检测算法。在MTCNN人脸检测算法基础上,本文使用了深度可分离技术来改进模型结构,改进了交叉熵损失函数且优化了图像金字塔结构。通过利用改进后的模型,人脸检测速度得到了提高。（2）通过改进模型移植方法,将上述模型移植到了边缘设备。针对边缘设备处理数据速度有限的问题,本文对模型做了轻量化处理。通过使用Lasso特征选择算法和批量归一化处理,能从人脸检测网络模型中得到通道的权重因子。根据获得的权重因子可以进一步压缩网络模型,由此本文改进了量化方法。随后,将模型移植到在边缘设备并进行人脸检测,实验结果证明了移植方法的有效性。（3）提出了边缘设备对人脸数据压缩和加密的方法。由于网络带宽和服务器资源有限,边缘端设备在传输数据时需尽量减少上传冗余的人脸数据,此外还要保证数据传输的安全性。基于上述考虑,本文提出了一种边缘设备筛选人脸数据的方法。针对减少冗余数据这一问题,本文根据运动模型和人脸轮廓的相似度,筛选了运动轨迹上人脸画面集的一个最优画面。而对于安全性问题,本文研究了一种信息混合加密的方法。此方法改进了椭圆曲线加密算法（ECC）密钥匹配过程,其在多线程情况下可以降低匹配时间。