移动群智感知(Mobile Crowdsensing，MCS)利用智能手机和平板电脑等移动设备的传感器来感知人类活动和周边环境，已广泛用于空气质量检测、路况探测和医疗健康信息搜集等应用。由于感知和传递信息消耗了移动设备的电能等资源，并可能威胁到移动用户的隐私性，因此有些自私的移动用户可能在移动群智感知中发送伪造的感知数据，实施虚假感知攻击，严重威胁移动群智感知的质量。　　为此，论文研究移动群智感知网络的安全激励机制，从动机上抑制虚假感知攻击。首先，研究智能手机等移动终端用户与MCS应用服务器之间的交互，构建安全移动群智感知博弈模型。其中，自私理性的移动用户以最大化自身效益为目标，选择其感知时间和精度等感知力度;而MCS服务器则采用感知质量评估分级机制，根据感知报告的质量决定支付给相关移动用户的佣金。基于服务器感知质量评估的错误概率模型，研究服务器的付费机制，给出了MCS静态博弈的纳什均衡点及其存在条件，提出了抑制虚假感知攻击的条件，并揭示了移动用户的数目和感知质量评估的分级数目等因素对有效服务器定价策略的影响。　　在此基础上，针对移动群智感知动态博弈，设计了基于强化学习的移动群智感知定价策略，服务器不需要预知移动用户的感知模型和参数，通过学习算法获取最佳的定价策略，并对感知评估错误具有一定的鲁棒性。实验结果表明，该方案提高了服务器效益，并降低了虚假感知攻击率。例如，当质量分成2级且服务器评估错误概率为0.1时，相对于学习之初，虚假感知攻击率降低了97％左右，而服务器效益增加了50％以上。此外，针对未知服务器感知业务增益模型的场景，设计了基于多用户强化学习算法的移动感知策略，提高了系统效益，并具有可扩展性。