普适计算（Ubiquitous Computing,UbiComp）作为一种将环境与计算融为一体的计算方式,可以随时随地、透明地为用户提供数字化服务。情景感知技术作为UbiComp的重要产物,已广泛应用于数字家庭、智慧医疗、智能驾驶等领域。同时,情景感知系统凭借自身层级的拓展以及与新兴技术的结合,可实现的功能也愈发丰富。然而,情景感知系统获取的原始情景信息因感知层的设备异构和传输层的网络质量等因素引起的情景信息不一致性问题影响了处理层中情景信息的质量。同时,决策层因各类模型自身不确定性因素在预测融合过程中所产生的不一致性削弱了系统决策能力和用户体验质量（Quality of Experience,QoE）。可见,情景感知系统多层级不一致性问题日益凸显。因此,针对各类情景感知系统的多层级结构所引发的不一致性问题,建立一种面向情景感知系统的多层级不一致性检测和消除框架,并研究相应的不一致性消除算法,是当前智能感知系统突破关键技术壁垒的主要任务。本论文以情景感知系统所面临的实际问题与需求为出发点,主要进行了以下三个方面的研究:（1）针对目前各类情景感知系统在不同层级凸显的不一致性问题,建立了一种面向情景感知系统的多层级不一致性检测与消除框架。以“感知层—处理层—决策层—应用层”自下而上的架构为基础,解决处理层及决策层的不一致性问题,为情景信息的质量提供可靠的保证,为系统的决策服务提供有效的手段。从情景信息质量、应用决策两个维度拓宽情景感知系统的应用领域,丰富情景感知系统的自身功能,进一步提高情景感知系统的自我修复能力。（2）针对处理层因感知层的设备异构和传输层的网络质量等因素所导致的情景信息不一致性问题,提出了一种基于优化Dempster-Shafer（D-S）证据理论的情景信息不一致性消除算法。通过对历史情景信息间距离的计算,对情景信息源进行合理、有效的划分,并对划分后的各类情景信息源进行动态自适应的折扣因子分配,进而完成D-S证据理论的优化。以数字家庭的用户定位为具体研究场景,从多维度进行仿真对比,证明了所提算法的有效性及鲁棒性。（3）针对决策层因多模型预测融合导致的不一致性问题,设计了一种基于多模型预测融合的不一致性消除框架。以数字家庭为具体场景,对用户日常行为监测应用存在的行为易混淆问题进行深入研究。从行为预测类型之间的不一致性引申出混淆行为的概念,基于所选定的三种多分类模型的识别结果,研究了基于混淆行为的不一致数据序列提取算法,通过构造多元素焦元与信息熵的函数映射关系,为基于改进D-S证据理论消除多模型预测融合产生的不一致性提供基础条件,进而通过消除不一致的数据提高混淆行为的识别准确率及系统决策能力,对用户的QoE实现精准有效的改善。通过上述研究,建立全新的面向情景感知系统的多层级不一致性消除框架,有效实现了系统自身的完善与自适应优化。同时,对于多层级不一致性消除算法的研究,不仅能够通过消除更多的不一致数据实现稳定判决,还可以将其运用到复杂化、动态化程度较高的智能感知场景中,具有突出的研究意义和推广价值。