การส่งสัญญาณวิดีโอคอนเฟอเรนซ์เป็นการโต้ตอบกันสองทิศทาง ดังนั้นจะมีเสียงสะท้อนเกิดขึ้นอย่างมากมาย การสะท้อนเกิดจากการป้อนกลับของสัญญาณไปมา เช่น เสียงจากลำโพงป้อนกลับเข้าไมโครโฟนกลับไปมา คำที่เราได้ยินเสียงหอนในห้องประชุม ดังนั้นการประมวลผลสัญญาณจะมีเทคนิคพิเศษที่เรียกว่า การกำจัดเสียงสะท้อน (Echo Concellation) โครงสร้างระบบวิดีโอคอนเฟอเรนซ์ วิดีโอคอนเฟอเรนซ์ที่ใช้กันอยู่ในขณะนี้มีหลายระดับหลายรูปแบบและหลายเทคนิค วิดีโอคอนเฟอเรนซ์ทั่วไปมีหลักการที่จะต้องลดขนาดภาพและเสียงลงให้เหลือเพียงไม่มากแล้วส่งในสายสัญญาณที่มีแถบกว้างไม่มากนัก ระบบวิดีโอคอนเฟอเรนซ์ทั่วไปมีโครงสร้างดังรูปที่ 1 ช่องสื่อสารที่ใช้เป็นช่องสื่อสารแบบสองทิศทาง (ฟูลดูเพล็กซ์) ซึ่งมีความเร็วจำกัด โดยมีอุปกรณ์เข้ารหัสที่สำคัญเรียกว่าโคเด็ก เป็นตัวเข้ารหัสสัญญาณที่ส่งต่อ อุปกรณ์ประกอบที่สำคัญของวิดีโอคอนเฟอเรนซ์ในระบบประกอบด้วย 1. กล้องโทรทัศน์ปรับส่วนไปมาซูมกล้อง 2. จอมอนิเตอร์แบ่งจอภาพดูปลายทางด้านใดด้านหนึ่ง 3. อุปกรณ์อิเล็กทรอนิกส์ควบคุมระบบสื่อสารควบคุมเสียง ภาพ แหล่งจ่ายไฟและอินเตอร์เฟส 4. แป้นควบคุมเพื่อควบคุมระยะไกลไปยังอีกปลายทางด้านหนึ่งได้ กล้องโทรทัศน์ เป็นกล้องทีวีที่ใช้ในการจับภาพ มีระบบเซอร์โว เพื่อควบคุมมาจากระยะไกลให้ปรับมุมเงย มุมก้ม ส่วนซ้ายขวา และซูมภาพได้ กล้องทีวีที่ใช้นี้อาจตักแยกจากระบบเพื่อการกำหนดมุมภาพที่ชัดเจน จอมอนิเตอร์ เป็นจอภาพที่ใช้กับระบบ PAL หรือ NTSC ภาพที่ปรากฎมีระบบรวมสัญญาณเพื่อแบ่งจอภาพเป็นจอเล็ก ๆ เพื่อดูปลายทางแต่ละด้านหรือดูภาพของตนเอง ระบบจอภาพอาจขยายเป็นจอใหญ่ขนาดหลายร้อยนิ้วก็ได้ อุปกรณ์อิเล็กทรอนิกส์ เป็นอุปกรณ์ที่เกี่ยวกับการจัดการเรื่องเสียง การจัดการภาพและระบบสื่อสาร รวมทั้งตัวโคเด็กที่ใช้ในการบีบอัดสัญญาณภาพตลอดจนแหล่งจ่ายไฟเลี้ยง อุปกรณ์อิเล็กทรอนิกส์เหล่านี้มักวางอยู่บนชั้น Rack ขนาด 19 นิ้ว แป้นควบคุม แป้นควบคุมเป็นสิ่งที่ใช้สำหรับการควบคุมระบบ เช่น ควบคุมการปรับมุมกล้องที่ปลายทางระยะห่างไกลการเลือกการติดต่อปลายทาง การปรับเสียง ปรับระบบสื่อสารต่าง ๆ
