伴随着移动互联网应用的高速发展，移动群智感知作为一种新型的数据采集和处理范式应运而生。移动群智感知利用分布广泛的移动设备用户进行数据的采集和处理工作，在诸多领域发挥了重要作用。然而移动群智感知系统依赖于大量移动设备用户的参与，为了更好地吸引移动设备用户，隐私保护与激励机制是移动群智感知急需解决的问题。
　　目前已经有许多隐私保护和激励机制的研究成果问世，但是很难将某项隐私保护的成果与某项激励机制的成果直接结合，而不影响其效果。有许多研究工作将隐私保护与激励机制结合起来考虑，设计了许多能够对用户隐私提供有效保护的激励机制。然而这些工作大都依赖于可信任的第三方机构，一旦满足要求的第三方机构不存在，或者是第三方机构受到攻击者的攻击，用户的隐私仍然有泄露的风险。
　　有鉴于此，本文提出了不借助于可信任第三方机构的隐私保护激励机制PPIM(Privacy-Preserving Incentive Mechanism)，PPIM采用拍卖模型对用户与平台之间的雇佣关系以及用户与用户之间的竞争关系进行建模。PPIM虽然依赖于第三方机构，但是不要求其是可信任的。用户通过第三方机构与平台进行间接交互，借助于第三方机构，用户将自己的竞标信息进行一定的处理之后再交互给平台，在保证平台能够从中提取出有用信息的前提下，对用户的隐私信息进行了一定程度的隐藏，从而达到保护用户隐私的目的。本文还证明了PPIM满足计算有效性、个体合理性和真实性，并通过仿真实验进行了验证。
　　隐私保护激励机制PPIM根据用户提交的竞标信息确定各任务执行者应获得的报酬，也就是说，PPIM确定了平台借助移动设备用户执行各任务的成本。然而在移动群智感知系统中，任务所有方的成本预算受限是一个常见问题，而且移动群智感知的许多应用都依赖于实时数据，对数据的时效性要求较高。本文考虑到这一场景，并建立了对数据时效性的度量，研究了在预算受限条件下，从数据时效性角度出发的任务调度问题。然而该问题是NP完全问题，除非P?NP，否则该问题不存在多项式时间复杂度解法，因而本文结合暴力算法、集束搜索以及启发式算法等思路，给出了该问题的多种解法，分析了各解法的优劣，并通过仿真实验对各解法的性能进行了综合比较。