随着分布式计算环境中,网络上的节点向着智能化和服务性方向发展,智能Agent(IntelligentAgent,IA)和多Agent系统(Multi-Agent System,MAS)成为支持开放的、可重构的和可伸缩的新型分布式协同计算的重要技术。在多Agent系统中,信任和信誉机制的建立有助于智能Agent找到可靠、可信赖的服务协作伙伴,保证分布式协同工作正常和高效的进展,对Agent管理日益复杂和规模扩大的分布式系统有着积极作用。近几年的信任和信誉机制的研究提出各种基于不同原理和针对不同情境的信任和信誉模型,但是,目前的基于多Agent的分布式协作系统中的信任和信誉模型不能很好解决不公平评价、低动机评价、串通欺骗和信任的个性需求等方面的问题,从而影响了信任和信誉机制的实际应用。因此,本文研究了多Agent系统中的基于多维信任向量表示和双层信用框架的信任体系结构(VBPD DLTA,Vector-Based Personal Decision Double-Layer Trust Architecture),建立和完善了该体系的基本原理和技术框架。针对传统的只考虑事务层信任的单层模型不能很好地解决不公平评价、随意评价、串通欺骗等利用不正确的评价信息扰乱和攻击信任计算的问题,本文提出了双层信用模型(Double-Layer Trust Model,DLTM)。模型区分了两种不同性质的信用,事务信用(TT Transaction Trust)和评价信用(RT,Rating Trust),并提出了基于事务层和评价层的双层可信度的体系结构,依靠两层之间的相互依赖和影响的连接关系来动态地维护事务和评价的可信度。实验证明在解决传统信任问题的同时,该模型也能很好地应对对评价系统的攻击行为。针对传统的基于单值信任量的计算模式在许多应用情况下不能很好地表达信任的多维含义,不能丰富准确地表示出被评价者的可信状况,也不能支持应用域和个体倾向相关的信用决策的问题,本文提出了基于多维信任向量的信任表示。用多维信任向量取代传统的单值信任量表示可信度,得到在每个维度上都准确的信任值,支持Agent对服务的个性化需求的表达及个性化决策的判断。结果证明,多维信任向量的引入提高了Agent做个性化的决策判断的正确性。针对传统的依赖单值信任量的信用决策机制一般采用简单的阈值判别方法,不能满足应用中复杂要求的问题,本文提出基于信任向量的个性化决策机制。在多维信用模型的支持下,得到对可信度进行细致分类的多维信任向量值,同时结合考虑应用域相关和个体倾向的因素,计算包含丰富的个性化信息的可信度值,帮助做更有效的信用决策。结果证明,基于多维信任向量的个性化决策机制提高了Agent对服务提供者选择的正确性,解决了个性化需求问题。最后本文提出了基于多维信任向量和双层信用的VBPD DLTA信任体系。综合基于多维信任向量的信用模型和个性化决策层建立的VBPD-DLTA信任系统,包括了系统的体系结构,内部的组成部分的介绍和相互间的交互。与当前的信任系统相比,基于多维信任向量和双层信用框架的VBPD-DLTA信任体系可以有效地解决不公平评价、随意评价、串通欺骗等扰乱和攻击信任计算的问题,并能满足应用域相关和个体倾向的信任决策的需求。VBPD-DLTA信任系统支持更加准确和可靠的信用值计算和信任决策,使得信任机制本身更加的可信,增强了信任系统的坚固性和实用性,从而推进信任模型和系统在分布式环境中的应用。