Reconocer la vida silvestre a partir de imágenes de trampas de cámara es un desafío debido a la complejidad del entorno salvaje. El aprendizaje profundo es un enfoque opcional para resolver este problema. Sin embargo, los fondos de las imágenes capturadas por la misma trampa de cámara infrarroja son bastante similares, y ocurre un aprendizaje atajo de los modelos de reconocimiento, lo que resulta en una reducción de la generalidad y un rendimiento deficiente del modelo de reconocimiento. Por lo tanto, este artículo propone una estrategia de aumento de datos que integra la síntesis de imágenes (IS) y la supresión del fondo regional (RBS) para enriquecer la escena de fondo y suprimir la información de fondo existente. Esta estrategia alivia el enfoque del modelo en el fondo, guiándolo a centrarse en la vida silvestre para mejorar la generalidad del modelo, lo que resulta en un mejor rendimiento de reconocimiento. Además, para ofrecer un modelo de reconocimiento ligero para el monitoreo de vida silvestre en tiempo real basado en aprendizaje profundo en dispositivos de borde, desarrollamos una estrategia de compresión de modelos que combina la poda adaptativa y la destilación de conocimiento. Específicamente, se construye un modelo estudiante utilizando una técnica de poda basada en algoritmos genéticos y normalización de lotes adaptativa (GA-ABN). Luego, se utiliza un método de destilación de conocimiento basado en la pérdida de error cuadrático medio (MSE) para ajustar el modelo estudiante con el fin de generar un modelo de reconocimiento ligero. El modelo ligero producido puede reducir el esfuerzo computacional del reconocimiento de vida silvestre con solo un 4.73% de pérdida en precisión. Experimentos extensivos han demostrado las ventajas de nuestro método, que es beneficioso para el monitoreo de vida silvestre en tiempo real con inteligencia en el borde.