针对机房巡检图像分类存在人工标注效率低、模型依赖 GPU 算力、边缘设备部署难、小样本泛化弱、复杂场景识别精度不足等问题，提出基于 MobileNetV2 的机房巡检图像分类算法 M-HICA（MobileNetV2-based Host Inspection Classification Algorithm）。首先，该算法提出 CPU 轻量化适配策略 CLAS（CPU Lightweight Adaptation Strategy），通过冻结骨干特征层、仅微调分类头参数、强制 CPU 训练推理，解决了模型依赖 GPU、低资源边缘设备部署难的问题；其次，提出自适应图像增强策略 AIES（Adaptive Image Enhancement Strategy），通过随机水平翻转、尺寸归一化、亮度对比度扰动等数据增强操作，解决了样本多样性不足、模型泛化能力弱的问题；最后，提出动态量化优化策略 DQOS（Dynamic Quantization Optimization Strategy），通过线性层 8 位量化、常量折叠压缩模型体积，解决了边缘端推理速度慢、存储占用高的问题。实验结果验证了该分类算法的可行性及相较于传统分类方法的性能优势，所提算法能在纯 CPU 环境下高效精准识别机房指示灯、机房门四类状态，有效支撑机房智能巡检边缘端应用落地。