移动硬件及移动技术的飞速发展极大的扩展了移动用户的交互空间和交互方式,如虚拟现实技术Virtual Reality,VR)、增强现实技术（Augmented Reality,AR）和混合现实技术（Mixed Reality,MR）,该类技术为用户在娱乐、医疗保健和教育领域提供了前所未有的沉浸式体验。其中,由于AR技术在传统移动设备中便可实现,有较强的可操作性,由此也被工业界和学术界所推崇。随着移动增强现实应用（Mobile Augmented Reality,MAR）的普及与发展,用户对MAR也提出了更高的要求,如更快速的响应和更优质的用户观感体验,而这进一步加重了MAR中计算密集型任务（目标识别检测、动画渲染等）对移动设备的能耗开销。已有研究将复杂的计算任务卸载到云或边缘服务器进行操作,但不稳定的网络环境仍然无法保证MAR应用的实时性。为此,本文首先提出了基于码率自适应的MAR能效优化模型。该模型通过识别图像中用户感兴趣的区域,并为该区域提供一个较高的图像编码码率,保证图像质量;给其他区域一个较低的码率,以达到MAR应用的数据传输过程中保障用户体验的同时减少传输数据量,从而降低MAR响应延迟,提高系统能效。进一步,由于用户的使用体验存在差异性,因此针对码率自适应模型提出基于用户体验的迁移学习策略,该策略旨在预测出更符合当前用户使用习惯的码率配置,迁移学习在减少为每位用户单独构建模型开销的同时,为用户提供个性化服务。本文的主要工作如下:1.针对MAR应用在图像内容下载过程中出现的能效问题,提出将卸载到云端的图像内容进行分割并重新编码的方法,同时进行实验验证此方法在提高MAR系统能效上的可行性。2.提出了基于机器学习方法的码率自适应控制模型。该模型针对不同网络环境下的MAR视频构建机器学习模型,最终可根据MAR图像内容的复杂度和当前网络状态动态预测合适的图像编码码率配置。在尽可能维持用户体验的情况下,在MAR应用的数据传输过程中,本文所提出的码率自适应控制模型平均降低了58%（19.13ms）的传输延迟。3.提出了基于用户体验的码率自适应模型迁移策略。进一步,考虑到用户使用的差异性,本文利用迁移学习对码率自适应控制模型进行优化。通过用户反馈机制收集用户数据对模型进行迁移学习,从而为每位用户快速构建符合其使用习惯的模型。实验结果显示,与基础模型相比,迁移学习后的模型提供了更好的用户体验（用户体验评价指标提升了3%）,同时时延优化效果同样好,在MAR应用的数据传输过程中平均时延降低了56%（18.47ms）。