车联网利用智能交通技术、移动互联网技术及物联网技术自主感知交通情况,在车、路、人之间实现信息互通,为用户提供各类交通服务。车联网中,传统数据采集技术存在建设成本高、覆盖面小、数据量不足等缺陷。随着移动智能终端(例如智能手机、平板电脑)功能的日益强大,一种利用这类终端进行数据采集的方式——群智感知应运而生。采用群智感知方式进行交通数据采集能有效解决车联网数据“量”的问题,但由于群智用户未经专业训练与认证,可能造成群智感知数据“质”的恶化。为解决该问题,本文利用核密度估计理论和雾计算技术,提出一个适用于群智感知车联网的异常数据检测方案,具体研究内容如下:(1)群智感知交通数据采集软件的设计与实现。为了模拟群智感知采集方式并为后续检测方案的仿真提供真实可靠的数据源,本文基于Android平台设计了一款交通数据采集软件,该软件利用智能终端内置传感器与百度地图模块实现了交通数据的群智感知功能。(2)提出了一种适用于群智感知车联网的异常数据判定算法。传统判定方法多利用交通流理论或基于已知数据分布进行判定,在群智感知场景下检测效果不佳。为此,本文在分析群智感知交通数据结构及异常表现的基础上提出了一种基于核密度估计的异常数据判定算法,并对核密度估计中出现的边界效应问题进行了有效修正。实验结果表明,该方法相较于传统异常数据判定算法具有更好的检测性能。(3)提出了一个基于雾计算的群智感知车联网异常数据检测方案。传统基于云计算的检测方案存在中心服务器计算任务重、检测时间过长等问题。为解决该问题,同时发挥群智感知终端的计算能力,本文引入雾计算思想提出了新的检测方案,将异常数据检测任务交由群智感知终端完成。检测方案分为模型初始化、异常数据检测、模型更新三个阶段,其中模型更新是本文所提方案有别于传统方案的重点,本文提出并详述了基于JS-散度的核密度模型变化显著性判别方法与基于遗忘机制的全局核密度模型更新方法。实验证明,相较于传统云计算检测方案,本文所提方案可以在检测性能基本不变的情况下大幅缩短检测时间,满足群智感知车联网的实际需求。