随着移动终端设备的普及,移动群智感知（Mobile Crowd Sensing,MCS）作为一种新兴的数据收集范式,受到学术界和工业界的广泛关注。它将移动用户携带的智能设备作为感知载体,通过用户的移动形成交互式的感知网络并借助智能设备感知模块进行数据的感知、分析和共享等操作,协作完成个体难以解决的复杂任务。相比传感器网络来说,MCS网络拥有感知成本低、灵活性强和覆盖率广的优点,同时在环境监测、医疗保健和智能交通等领域具有更广泛的应用场景。其中,任务分配机制一直是MCS网络研究的关键问题。在实际感知场景中,任务需求复杂多变,现有的任务分配策略适用性不高。本文研究了两种应用场景下的任务分配问题,旨在获得更好的传感质量和降低感知成本。本文主要工作和创新如下:（1）针对MCS网络中机会式感知场景下的任务分配问题,本文以最小化所有任务平均完成时间为目标函数,提出了一种基于信誉度更新机制的多任务分配算法。通过引入数据质量评估方法和参与者信誉度评估方法构建了信誉度更新机制,即采用任务的时效性、完整性和准确性来衡量数据质量,在此基础上结合参与者积极程度确定历史信誉度,并借助逻辑回归函数来更新当前参与者的信誉度。任务分配过程中优先选取高信誉度的参与者并且依次将任务分配给预期感知时间最小的参与者,同时引入了激励机制,让信誉越高的参与者执行任务时获得的报酬越高。分别在真实和模拟场景进行了仿真分析,证明了本文算法相比其他算法来说,能够在保证任务数据质量的前提下,使任务平均完成时间减少10%以上。（2）针对MCS网络中参与式感知场景下的任务分配问题,任务通常属于空间分布的形式,并且需要考虑任务的异构性、参与者的执行能力和任务的数据质量。通常越高的数据质量对应越高的感知成本,所以如何权衡数据质量和感知成本是与位置相关的任务分配问题中的难点。为了应对这些问题,本文提出基于位置的多任务分配算法。算法中引入参与者感知可信度评估方法和激励机制,前者能有效的评估参与者完成任务的感知可信度,满足参与者所执行任务对数据质量的要求,后者能够激励参与者完成感知任务。在此基础上将任务分配问题转化为最优化问题,在保证任务数据质量的前提下,以最小化感知成本为优化目标设计了两种任务分配方法。一种是基于贪婪算法的报酬优先算法（Reward First Algorithm,RFA）,另外一种是结合贪婪算法和遗传算法的混合任务分配算法（Genetic and Greedy Algorithm for Task Assignment,GGA-TA）。仿真实验表明,GGA-TA算法在保证任务数据质量的前提下,相对于对比算法性能有20%以上的提升。