随着移动智能设备的广泛应用,移动群智感知（MCS）应运而生。MCS将感知任务分配给众多普通用户,以普通用户所携带的智能设备作为感知单元去收集和感知数据,从而完成复杂的社会感知任务,因而具有很高的实用性。任务分配是MCS研究的一个重要内容,受到研究者的广泛关注。目前,面向多样性的MCS任务分配研究主要集中在位置多样性、时间多样性和能力多样性等方面,而没有考虑感知任务对于用户类型多样性的需求,可能导致感知任务质量的降低。比如,在城市噪音监测任务中,若使用单一类型智能设备,则导致感知结果误差较大,而为了提高监测质量,则需要多种类型的移动设备来共同参与监测。因此,本文对面向用户类型多样性需求的MCS任务分配问题开展深入研究,其主要工作包括以下两个方面:（1）针对MCS中用户类型存在多样性需求的单任务分配问题,本文提出了一种最大化用户类型多样性的任务分配方法。针对单任务分配问题,如果选择的用户类型均匀分布在任务所需的类型,那么计算的类型多样性值是最大的,具体选择用户的方法是在任务所需的类型中依次选择用户。针对单任务分配问题,本文引入信息熵的概念计算用户类型多样性值。在每个用户只属于一个类型的假设基础上,以用户类型多样性值最大化为目标,对MCS任务分配问题进行形式化,在此基础上提出了三个启发式任务分配算法。实验仿真结果表明,与基于代价的贪心算法相比,按照任务所需类型基于代价或者单位报酬的贪心算法进行任务分配,实现了更好的类型多样性值和总收益。在上述实验的基础上,用户类型由服从均匀分布变为服从正态分布,仿真结果表明,三个算法的性能没有发生改变。（2）针对MCS中用户类型存在多样性需求的多任务分配问题,本文提出了基于时间约束的最大化用户类型多样性的任务分配方法。针对多任务分配问题,因为用户属于多个不同的类型,所选的用户类型无法确保均匀分布在所有类型中,所以本文引入熵增益来选择用户,具体选择用户的方法是依次从每个任务的候选用户集合中选择熵增益最大的用户。针对多任务分配问题,本文引入信息熵的概念计算用户类型多样性值和熵增益。在每个用户属于多个类型的假设基础上,以用户类型多样性值最大化为目标,对MCS任务分配问题进行形式化,在此基础上提出了两个启发式任务分配算法。实验仿真结果表明,与随机算法相比,基于信息熵和基于单位报酬的任务分配方法实现了更好的类型多样性值和总收益。本文主要解决了移动群智感知中面向用户类型多样性的任务分配,针对单任务和多任务分配提出了相应的算法解决,并进一步通过仿真实验验证算法的性能,有效地提高了类型多样性值和总收益,为后续的研究提供了便利。