关键词检测（Keyword Spotting, KWS）是自动语音识别（Automatic Speech Recognition, ASR）领域的重要分支，已广泛应用于边缘计算设备中。KWS的目标是在保证高识别准确率的同时，实现较低的误报率（False Alarm Rate, FAR），并有效降低内存占用、计算开销和延迟。然而，边缘计算设备受限的资源条件给KWS应用带来了严峻挑战。为此，轻量级深度学习模型与网络结构在KWS任务中取得了良好效果，兼顾了高效性与性能。本文提出一种专为边缘计算设备设计的新一代卷积循环神经网络（Convolutional Recurrent Neural Network, CRNN）架构——EdgeCRNN。该模型基于深度可分离卷积（depthwise separable convolution）与残差连接（residual structure）构建，并引入特征增强机制。在Google Speech Commands数据集上的实验结果表明，EdgeCRNN在Raspberry Pi 3B+设备上可实现每秒处理11.1个音频片段的推理速度，较Tpool2模型提升2.2倍。在保持高效推理性能的同时，EdgeCRNN的识别准确率达到98.05%，性能表现具有显著竞争力。