随着智能手机和通信网络的飞速发展,数量庞大的用户都可以利用智能手机的各种先进的传感器获取感知数据,并向数据需求方者提供数据。相较于传统的感知数据获取和提供模式,这种新型的方式具有成本低、灵活度高、数据量大等优点,这些特点为更加准确而及时地检测环境问题、交通问题、社会公共安全和健康问题等提供了新思路,这就是群智感知系统概念的来源。一个典型的群智感知系统包括三方,智能手机用户、感知任务提供方和系统平台。由于智能手机用户在提供数据的过程产生一定的成本,他们不会自愿提供数据,大量的研究工作都关注在如何设计激励机制让智能手机用户积极提供数据,并且使社会福利最大化或是感知数据提供方收益最大。但是,很少有研究工作关注系统平台的利润最大化问题。在这篇论文中,我们就将研究群智感知中系统平台利润最大化问题。我们采用拍卖机制作为激励机制设计模式,提出了两种系统平台利润模型:系统平台单阶段利润模型和多阶段利润模型。在单阶段模型中,我们解决了模型建立、模型解法和算法研究等问题,为系统平台提出了有效的策略来最大化它的利润。在多阶段模型中,我们研究了系统平台的长期利润,并通过仿真模拟实验发现了系统平台会通过在单笔交易中让利这一策略来激励群智感知系统的参与度。具体地来说,在单阶段的模型中,智能手机用户,感知任务提供方以及系统平台三方只进行一次交互。我们把它建模成贝叶斯博弈,从合理有效的拍卖激励机制的设计的基本条件出发,最后经过数学推导得到了系统平台利润的形式,并将系统平台利润最大化问题转化成了最优化问题。经过分析,我们发现这个最优化问题本质上可以划归为分配问题,并提供了一种准确算法和一种近似算法。在多阶段模型中,我们首先引入了时间周期的概念,即在每个时间周期中三方都进行一次交互。在每个周期中,智能手机用户和感知数据提供方根据自己的收益函数,面临是否继续留在平台决策。通过动态规划方程分析这个决策问题,我们得到了参与者在每个时间周期留在系统平台的概率,进而成功地为多阶段平台利润建模。在仿真模型实验中,我们选择合适的数据集分别对感知任务价值和感知任务成本进行拟合,选择拟合最好的概率分布来生成随机变量的样本。我们接着分别对单阶段利润模型和多阶段利润模型进行数值模拟,不仅验证了系统平台算法和策略的有效性,还根据系统平台多阶段利润变化情况,对它的利润模式是否在较长时间周期内仍然有效做出了分析,具有一定的现实意义。