无线环境信息(Radio Environment Information)是描述某一区域内无线频谱资源的使用状况信息。精准实时的无线环境信息可以用于提高该区域的无线频谱资源利用率,优化无线网络,使用户获得更好的网络使用体验。移动群智感知(Mobile Crowd Sensing,MCS)作为一种以人为中心并结合了众包思想的新兴数据收集方式将普通社会用户日常携带使用的智能移动终端设备(智能手机、可穿戴设备、平板电脑等)作为数据收集基本单元收集数据。使用移动群智感知进行数据收集方式收集不仅可以降低数据收集成本,而且大量的感知终端组成的网络使数据收集更加容易,招募用户参与数据收集提高了感知的灵活性,且易于维护。然而,在使用移动群智感知的方式收集无线环境数据过程中仍然存在一些问题需要解决。由于参与无线环境数据收集需要花费用户和智能终端的成本,所以用户无偿参与到无线环境数据收集积极性差,比如参与任务感知需要消耗移动设备的能量和流量。此外,在收集某一区域内无线环境数据时,用户移动规律具有不均衡性,这些原因均造成了无法招募到足够的用户参与到无线环境数据收集的过程中。没有足够量的用户参与到无线环境数据的收集,那么得到的无线环境数据便不能准确的反映区域内无线频谱资源的使用情况,进而无法对网络进行优化。为了解决由于感知平台成本限制,致使少量的用户参与无线环境数据收集带来的数据残缺,无法描述无线频谱资源问题,本文通过对用户移动轨迹预测筛选少量的用户参与收集目标区域无线环境数据样本数据,然后根据样本数据还原目标区域的无线环境数据,主要工作总结如下。首先,提出了基于用户移动性的无线环境数据收集用户选择模型。该模型包含两部分,首先通过对用户的移动规律进行分析、预测选择部分用户组成候选感知用户池,然后在候选感知用户池中选择部分用户使其能够最大化覆盖目标感知区域,进而收集无线环境数据的样本数据。然后,提出了基于Kriging空间插值算法的无线环境数据还原机制。在招募用户收集了目标区域的无线环境数据的样本数据后,通过分析目标区域样本无线环境数据分布规律,然后使用Kriging空间插值算法根据样本数据还原整个目标区域的无线环境数据,进而描述目标区域的无线资源环境。在提出了以上模型和方法之后,在本文通过利用用户真实移动轨迹数据集以及实地测试收集的WLAN数据进行了目标区域最大化覆盖、无线环境数据还原实验,通过实验验证了本文提出的方法的可行性与有效性。