普适计算作为正在走来的下一代计算模式,其愿景是以普适性和透明性的方式提供个性化的资源和服务,而上下文认知计算技术是通往普适计算美好愿景的必由之路。鉴于对上下文认知计算的研究尚处于初级阶段,本文重点研究了上下文认知计算的三项基础设施和一项具体应用,概括如下：1.作为上下文认知计算和本文后续研究的基础,本文提出了一种基于模糊集理论的、无需专家知识的、完全自动化的上下文离散化方法,以离散化符合近似高斯分布的连续型上下文。这一方法建立在下面的事实之上,即本文证明了现实中的很多连续型上下文都符合近似高斯分布,而这一分布进一步又可分解为多项高斯分布的和。详细的实验步骤验证了这一方法的有效性,并且,本文的后续研究均使用了这一离散化方法。2.本文基于情景认知的观点解决了上下文认知计算领域中不可避免的易变性问题和不确定性问题。本文形式化地定义了易变性问题和不确定性问题,并将不确定性问题解释为不完备性、不精确性和不一致性。本文首先使用贝叶斯网络建立底层上下文和情景之间的因果映射,然后基于情景认知的观点屏蔽易变性问题。针对不完备性和不精确性,本文提出了基于期望值最大化算法的解决方法；并使用本体技术解决不一致性。以多媒体会议为场景的实验结果表明,在不损失决策准确率的情况下,消除了易变性和不确定性的情景认知系统,在用户中断率和工作效率方面要优于传统的上下文认知系统。3.本文基于上下文规约和规则生成方法消除了上下文认知计算中常见的琐碎性问题。本文首先使用贝叶斯网络建模了上下文和情景之间的因果联系,接着应用Markov Blanket理论按照因果联系规约上下文,得到在数目上要少得多的核心上下文,从而从根源上消除了琐碎性。为了弥补规约掉的上下文所损失的语义,本文设计了基于核心上下文的情景识别规则的“两步走”生成方法。实验和仿真验证了上下文规约和规则生成方法的正确性和有效性,即本方法可以指数地减少琐碎性,并几乎消除了琐碎性问题。4.为了说明如何在实际中应用上下文认知计算技术,本文研究了上下文认知地定性诊断和定量保障端到端服务质量的系统化方法。该方法首先借助贝叶斯网络结构学习过程发掘上下文和服务质量之间定性的的因果联系,实现了对服务质量的定性诊断；接着借助于贝叶斯网络参数学习过程发掘原因上下文和服务质量指标之间定量的因果联系,最后通过将调整这些原因上下文至具体的定量值,以定量地保障该项服务质量指标处于用户要求的水平。仿真和实验验证了这一系统化方法的有效性。在通常情况下,该方法具有多项式时间复杂度；在最坏情况下,只要事先使用本文的上下文规约方法加以约简,或保证涉及的上下文和服务质量的数目不超过10的数量级,那么该方法就具有多项式时间复杂度,实用性较好。