作为决策支持工具中的优秀代表，信任声誉系统旨在解决不确定环境中安全问题。近年来，由于在电子商业社区中的成功应用，信任声誉系统得到来越来越多的关注。现有的信任声誉系统大部分遵从信任模型量化信任关系和声誉机制指导信息收集策略的框架，它们主要用于集中式和分布式环境中，但这些系统难以应对开放环境中出现的新问题。　　 开放环境具有以下特点：动态的环境和多样多变的Agent，这些特点给研究者们带来了新的挑战.开放环境中的信任声誉系统要考虑到这两个问题：首先，由于开放环境的动态性，Agent可以在任意的时间进入和离开，同时Agent可以是不合作的，它们提供的可能是带有偏见的信息，有时候这些信息甚至是带有蓄意的偏见，Agent离开和进入会带来行为动机的识别问题(如何判断新加入者提供的是否是有价值的信息)，带有偏见信息不利于做出正确的决策，因此我们在信息收集策略的设计中必须要考虑到这些问题；其次，Agent多样性带来了需求标准的个性化多样化问题，需求参数预设的信任模型将难以应对这些变化。　　 在本文中，我们设计了一个有效高效的信息收集策略来应对Agent动态性问题，并设计了一个灵活的信任模型来解决Agent需求个性化的问题。我的主要工作如下：　　 第一，要设计一个有效高效的信息收集策略，我们需要认识和理解现有的信息收集策略的优缺点。为此，我们设计了一个用于描述信息收集策略的形式化模型，这个模型抽象了现有信息收集策略的本质，我们用这个模型将现有的收集策略分为：推荐链型，信任集合型和聚类型三大类。以这个模型为指导，我们设计了一套比较和评估信息收集策略的方法，通过这个仿真比较分析，我们可以认识到现有收集策略的优势和劣势。　　 第二，在认识到信息收集策略的优势和劣势后，我们从此出发，设计了一个基于聚类方法的Broker辅助的信息收集策略。这个方法基于相似者更可靠的假设，以历史记录的相似度作为度量标准，通过聚类的方法，Agent被划分在不同小组中。Broker负责监督每个分组，它通过声誉机制的监督来应对Agent离开和进入带来的行为动机识别问题，同时聚类算法本身的特点使得这个方法能够过滤偏见信息。　　 第三，为了应对Agent需求标准多样化的问题，我们设计了一个基于神经网络的信任模型。在这个模型中，历史评价记录作为训练数据，神经网络作为学习器，我们尝试着去获得Agent的需求函数，这个通过学习得到需求函数描述了Agent会对哪些交互表示满意，哪些会表示不满意。因此，这就避免了需求参数预设的问题，提高了信任模型的灵活性。通过仿真数据的比较，我们可以看到这个模型更能适应需求标准多样化这一特点。　　 最后，我们设计了一个信任声誉系统--TrustMe，并将我们的以上工作应用在其中，从而验证其实际应用价值。TrustMe应用于Web-service社区中，服务提供者为客户所提供了的众多服务，TrustMe则帮助客户决定哪些服务是可信的。TrustMe中主要包括三个模块：Agent模块，Subcommunity模块，Broker模块。其中，Broker辅助信息收集策略应用在Subcommunity模块和Broker模块中用以识别Agent的动机和过滤带有偏见的信息；基于神经网络的信任模型用在Agent模块中，用以学习客户的需求函数，从而使得决策更加准确。