高精地图（HD Map）是实现无人驾驶的关键技术,提供了高度精确的道路模型来保障无人车的行驶安全,往往需要进行频繁的更新。通过专业采集车队测量道路数据的方式昂贵而耗时,难以保证地图更新的实时性与高覆盖。使用众包收集方式在边缘侧收集、筛选、聚合大量智能车辆的传感数据,能够实现覆盖区域广泛、实时性高、成本开销低廉的地图服务。在这一过程中,无人车/智能车既是地图服务的请求者也是地图更新的众包数据提供者,车辆在行驶过程中不断地采集图像、识别图像来感知与理解行车环境,并完成后续的行车决策。这一过程中输出关键的环境语义（如交通标志等）将成为判断地图更新是否发生的重要来源,对众包数据质量判断具有重要的指导意义。为了实现高精地图众包中的数据质量评估,解决长期的数据质量保障问题,本文研究了基于语义的HD Map众包数据质量框架,以及基于参与者贡献的反向拍卖机制两部分内容。一方面,本文充分利用无人车/智能车能够提供语义输出的这一特点,提出了一个基于语义的HD Map众包数据质量框架,由云和边缘协同完成大规模语义数据的质量评估和控制。将目标区域划分为若干子区域,由边缘服务器执行各自子区域内众包数据过滤、质量评估和选择。为了便于边缘端对车辆的语义数据进行有效过滤,本文定义了一个语义分类树（SCT）模型专门用于HD Map众包任务的目标语义数据描述。接着,本文提出了一组语义效用度量指标以从语义层面量化车辆的数据质量,为边缘端提供数据选择的依据。同时,由云端宏观地控制整体众包质量,为此提出了子区域整体众包质量的度量指标,以实现均匀的地图众包。本文还提供了一组HD Map众包评价规则用于评估众包的执行效果。另一方面,为了激励车辆长期参与HD Map众包,持续提供高质量的图像和语义数据,本文还提出了一个HD Map众包中的基于参与者贡献的反向拍卖机制。该机制包括参与者贡献的衡量方法,利用数据质量框架中的车辆语义效用和子区域整体众包质量动态量化参与者对众包的真实贡献;基于真实贡献的参与者选择算法（RCB）,包括优先级-覆盖贡献优先（PCF）和语义贡献优先（PCF）两种模式,周期性地执行参与者选择决策;和基于潜在贡献的激励机制（PC-VPC）,用于对未来具有贡献潜力的失败参与者,提供一定的虚拟参与积分作为补偿,以防止它们退出众包。实验表明,基于语义的HD Map众包数据质量框架在边缘端能够过滤掉至少70%的无效语义对象,实现HD Map所需的有效语义提取。所提出的基于语义数据质量的选择方法能够有效地甄选对地图更新有意义的高质量语义数据。所提出的基于参与者贡献的反向拍卖机制中能够在预算有限的情况下有效提高HD Map的长期众包质量,其中RCB-PCF算法能够实现快速、均匀的大面积地图覆盖,相较于只考虑覆盖最大化而不考虑道路优先级的算法,使得达到感知目标的道路数量增加了50%;RCB-SCF算法能够有效提升道路的总体语义数据质量;使用PC-VPC激励机制能够提高参与者选择的公平性,有效维持众包中的参与者数量。本文对于HD Map众包中基于智能车语义的数据质量评估和整体众包质量控制,以及长期的数据质量保障有重要的意义。