分析了普适环境下协同设计存在的相关问题，尤其是手持设备等移动终端的感知局限，资源不均衡站点之间交互感知带来的负面影响。利用环境上下文、设备上下文、用户上下文提高计算系统主动性和智能性。对交互方式、用户界面进行自动调整，对任务进行自动化处理而不干扰用户正常认知任务，缓解了注意干扰给人机交互过程带来的不良影响等问题。较好地解决了屏幕受限设备的浏览问题，解决了普适环境下异构网络间数据传输的自适应调整问题，较好的利用了客户使用偏好，解决了低带宽下细粒度感知数据的传输问题。 提出利用离散系统神经网络信息采集方式对动态多控制点感知信息予以屏蔽的方法，对于用户不敏感的感知信息予以屏蔽。解决了用户自定义虚拟感知实现方式。提高了用户工作注意力，提高了协同虚拟设计感知能力和工作效率。 提出屏蔽手持设备上图案细节联组方法，解决了协同编辑过程中繁多图形、图像、文本对象对用户浏览和认知造成较大障碍的问题。 提出预测远程控制点运动的机器学习算法和比例可变更算法，机器学习算法对Dead-reckoning算法进行适应性改进。该算法可以根据实际环境中前一次的预测偏差来动态地调整预测公式，优化预测轨迹。比例可变更算法分别对Dead-reckoning算法和机器学习算法进行适应性改进。改进后的比例可变更算法，更符合人类感知习惯。相应实验数据对比证明两种算法较之传统算法具有一定优势。 提出预测用户关注区域的扩展预测集合算法，并介绍了预测结果在手持设备等移动终端Lazydownload方法下的利用。该算法预测在线操作用户在其未来的关注区域，帮助本地用户理解其他用户操作意图。此外，预测用户关注区域可以帮助屏幕受限无线移动手持系统在实时协同工作时，正确判断及提前下载需要的文档片段，提高了手持系统平均响应速度，节省了用户等待时间。 介绍了利用低比特率bi-level视频编码进行动态视频压缩的算法。算法着重于视频中图像边界信息的处理，视频数据输出帧着重于体现能够提供丰富感知信息的外观轮廓特征，在低带宽限定的网络状况下最大可能地传递动态视频感知信息。该方法可满足10kbit/s网络带宽状况下客户对于视频感知的需要。 介绍了网络带宽极低状况下实时二维人脸表情参数驱动的方法。在低带宽限定状况下着重于传输能够提供丰富感知信息的人脸表情，并在接收端重建二维人脸。该方法可满足1～2kbit/s网络带宽状况下客户对于视频感知的需要。