近年来,移动群智感知技术得到了广泛的关注,已经成为城市感知领域一个非常有吸引力的研究范式。在数据收集方面,移动群智感知技术系统依赖于来自大量参与者或群体的移动设备的贡献。智能手机、平板电脑和可穿戴设备被广泛使用,而且已经配备了丰富的传感器,使它们成为极佳的信息来源。与传统的传感器网络相比,人类的移动性和智能保证了更高的覆盖率和更好的上下文感知能力。但是感知节点报告的数据可能在无意中不准确或故意伪造。例如,感知任务的位置会暴露感知节点的敏感信息,影响感知节点的隐私安全,导致感知节点拒绝感知或者上传虚假数据;参与感知的节点存有不同的目的,部分恶意感知节点上传虚假信息导致感知结果错误,影响感知数据质量;任务分配中,被分配感知任务的感知节点有不同的偏好,并且受到其感知节点能力限制,当不满足其感知条件或者其偏好时,无法完成感知任务或上传虚假感知数据,导致感知数据质量下降等。因此,本文在移动群智感知中的位置隐私保护、感知节点可信推荐和任务分配进行了研究。本文主要工作如下:首先,对移动群智感知中参与感知者位置隐私问题,本文提出了基于本地化差分隐私偏好的保护参与感知者位置的方法。首先,将地图离散化,使用MHC初分割地图到二维空间映射为一维空间并且保证空间相关性,使用遗传算法根据参与感知用户的稠密对地域进行分割;然后,参与感知的用户根据当前位置的个人隐私需要,选择RAPPOR和k-RR两种不同的本地化差分隐私扰动方法;最后,采用所选择的本地化差分隐私的扰动方法,对所在分割后的地域中的每个参与感知用户位置进行扰动,将扰动后的位置数据发送到数据收集服务器中,从而保护参与感知的用户位置。其次,对移动群智感知中节点不确定性导致的数据质量不可靠问题,提出了一种基于SDN的跨域协同过滤可信节点推荐方法。首先,引入SDN将用户面和控制面解耦,便于感知节点管理并且减轻服务器任务分配负担;然后,采用跨域协同过滤方法,找到与参与目标感知任务节点在历史感知中可信性及完成该任务类型相似的感知节点;最后,根据当前感知节点的感知能力、与目标感知任务的距离和相似感知节点在目标感知任务中的可信性,考虑时间衰减,得到感知节点在目标感知任务中的推荐值,进而选择参与目标感知任务的可信感知节点。最后,对移动群智感知任务分配中,感知状态变化导致感知任务无法正常完成和因不满足传感器感知意愿导致感知数据质量低的问题,提出了基于正态云模型的主动学习移动群智感知任务分配方法。首先,对传感器的信息质量、感知环境和网络状态进行评估,根据传感器电池电量和发送数据总量设置阈值,对传感器感知能力实时监测;然后,当感知状态变化时,利用正态云模型建立多粒度标准分配云和传感器状态云,并且通过夹角余弦法得到传感器对感知任务的意愿评分;最后,根据得到的传感器意愿列表和任务意愿列表,保证最大传感器意愿和最少参与感知传感器对感知任务重新分配。