近年来移动群智感知技术的巨大潜力吸引了产业界和研究界的广泛关注,这得益于迅速普及的嵌入式传感器设备。移动群智感知通常一个由基于云的平台,部分数据需求者以及若干参与者（通常为手机用户）三部分组成。数据需求者通过云平台发布数据需求任务,用户可以通过手机内置的传感器来执行感知任务并上传相应数据。一般情况下,用户需要移动到特定的位置才能执行对应的感知任务,用户在执行对应的任务时会消耗一部分自己的资源,例如:时间、手机电量、存储以及数据流量等。特别是当任务的感知区域互相重叠的情形下,平台需要用户需要提交自己的位置来派发任务。此外,用户提交的位置数据也关系着感知数据的质量。因此,设计一个有效的针对空间任务的鲁棒激励机制是非常重要的。本文的研究工作主要体现在以下两个方面:（1）在大多数现有机制中,都没有考虑任务的感知区域与用户的活跃区域重叠的特殊问题。为了吸引用户参与到基于空间任务的移动群智感知系统中,我们以反向拍卖为技术方法,设计了两种激励机制:一是坐标模型激励机制,二是区域模型激励机制。在这两种激励机制中,每个任务都有一块感知区域。在坐标模型激励机制中,用户的位置是一个固定的具体的坐标点,如果任务的感知区域范围能够覆盖用户的坐标位置,则用户可以参与到任务中;而在区域模型激励机制中,用户拥有一块属于自己的活跃区域,并且用户可以在任务感知区域与用户活跃区域内的覆盖重叠区域内的任意位置执行任务。两种机制都包括两个步骤:获胜者选择和报酬支付。获胜者选择阶段通过计算最小平均边际成本来确定获胜者,在报酬支付阶段通过计算关键支付来确定获胜者报酬。通过严格的理论分析和仿真实验证明,本文提出的两种激励机制均满足计算有效性、个体理性、真实性,并且能保证近似度。（2）考虑到用户提交的位置数据的准确性对移动群智感知的数据质量有重要的影响。在不正确的位置感知到的数据往往也不精准,从而降低移动群智感知的服务质量。为了提高移动群智感知系统的鲁棒性,在上述激励机制的基础上,本文针对坐标模型和区域模型分别设计了坐标异常检测算法和区域异常检测算法,通过对比用户提交的竞标位置和历史位置,当竞标位置和历史位置的偏差超过阈值时,判定用户为异常用户并将其从竞标用户集合中删除,以此来提高系统的鲁棒性。通过广泛的实验证明,坐标异常检测算法和区域异常检测算法能够有效提高系统的鲁棒性。