作为普适计算思想的深化和发展，环绕智能(Ambient Intelligence，AmI)的目标是实现物理空间、信息空间与用户空间的自然融合，以自适应、个性化及预判断的方式提供随需应变的服务。然而AmI资源具有自治、异构、动态、分布的特性；AmI应用环境具有开放与非熟知的特点。这就要求有与其相适应的基础软件系统架构来支撑其功能需求。面向服务的计算(Service-Oriented Computing，SOC)能够以粗粒度、松耦合、跨平台的方式支持分布式系统应用的集成与开发，很自然地符合AmI系统需求。因此AmI与SOC的融合被认为是实现AmI愿景的有效途径，已经成为当前的研究热点。　　面向AmI的服务组合技术涉及到服务发布、服务性能与可信性评估、服务匹配与选择、服务动态组合、服务执行管理与监控等，是AmI与SOC融合的研究核心。很多著名的研究机构都在积极地开展这方面研究并取得了一些初步成果。然而由于该问题的复杂性，在AmI实践中面临着很多有待深入研究的挑战性问题，诸如服务可信性评估、个性化服务选择、动态自适应服务组合及组合服务方案选择、高效服务管理与访问等。针对这些问题，本文致力于4个方面的研究，解决了一些关键问题，取得了一定研究成果。主要工作和创新点如下：　　(1)AmI系统中服务信誉度聚合方法研究，提出了基于证据理论和动态衰减机制的多维评价信息服务信誉度聚合方法以支持AmI环境下可信服务选择与组合。现有的服务信誉度计算方法存在着评价信息类型单一、聚合方法简单等问题，使得服务信誉度往往不能准确反映其性能变化，无法提供有效预测信息。本文提出一种利用动态衰减机制的多维评价信息信誉度计算方法，它采用证据理论来聚合各种评价信息以动态生成服务信誉值。基于主观评价对信誉度的作用机理提出了评价信息动态衰减机制。利用服务发布、请求、使用过程中的三种服务质量信息提出了服务声明诚实度、服务客观评价两种评价信息生成算法。以评价信息为基础给出了用户主观评价可信度算法。用动态衰减机制对这三种评价的历史信息进行预处理，以预处理后的实际效用值为证据，以用户评价可信度为主观评价权重进行证据合成，得到服务的用户本地和全局通用信誉度值。实验测试表明本文的服务信誉度聚合算法能够及时准确地反映服务历史信息，有效预测服务未来行为，为服务选择提供可信预测信息。　　(2)可信的个性化服务选择研究，提出了快速偏好学习算法和基于用户偏好与服务信誉度的可信服务选择方法。从本质上讲，服务的可信性反映了实际运行效果与用户预期的差异度，个性化体现了不同用户的偏好差异。当前的服务选择方法往往是在假定服务可信基础上的“最优”推荐机制。这些方法不能适应AmI应用对可信和个性化服务选择的需求。本文提出基于服务信誉度和用户偏好的服务选择方法，首先提出了一种利用服务评价信息来反向学习用户偏好的机制，然后以此为基础，给出了基于信誉度和多属性决策的个性化自适应服务选择算法。该算法首先利用学习到的偏好信息来产生当前用户的服务请求偏好值，然后利用加权欧氏距离及服务信誉度值来选择“最合适”的服务推荐给用户。系统测试验证了算法的有效性和可用性，有效提高了服务选择的适应性和可信性，提升了用户体验。　　(3)AmI中动态自适应服务组合研究，提出了一种基于事件演算和概念图的具有上下文感知的自动服务组合框架和服务组合规划方法。研究了用概念图来形式化表示用户需求并将其转换成事件演算中目标状态的操作过程。提出了用事件演算公理来描述Web服务、上下文信息、领域规则以及用户偏好的基本操作和实现方法。以基于Prolog的事件演算规划器为平台，实现了自动服务组合，并基于可信服务选择实现了组合服务的局部可信。实验测试表明该方法能够提供偏序、并发、状态约束等机制以适应AmI系统对服务组合的特殊要求，并能同时实现信息提供类和改变世界类服务组合。　　(4)面向场景的服务管理、访问策略研究，提出了一种面向场景的多粒度服务存储访问策略(SMART)，有效提高了服务访问的实时性。由于本体语义推理的耗时性，使得在服务组合与发现时直接进行本体推理很难达到AmI系统中服务访问实时性的要求。针对该问题，本文提出面向场景的服务存储访问策略，它以面向场景的设计为指导，以预处理和服务缓存为技术手段，将服务组合的结果(含原子服务)进行多粒度分级存储，并实施动态演化来保证服务的可用性和有效性。实验测试表明，通过在AmI系统中部署SMART策略，在离线预处理和服务缓存的基础上实现了较好地实时访问性能，提升了资源利用率和用户体验。　　本文以智能空间AmI-Space为试验平台，针对AmI环境下服务组合过程中紧密相关的几个问题提出了相应解决方案，并测试验证了相关算法及策略的正确性。这些成果能够促进AmI与SOC的融合，为构建随需应变的AmI应用提供技术支持。