近年来，随着移动通信技术的发展，手机用户规模迅速扩张。在享受科技带来便利的同时，手机由于其隐私性及时间碎片性却也开始成为垃圾语音的攻击对象。根据调查，百分之九十以上的人遭遇过垃圾语音。垃圾语音浪费了大量带宽资源，消耗无线频谱资源，造成资源浪费；违法严重的垃圾语音甚至会影响社会稳定，威胁国家安全，如宣扬法轮功、疆独、藏独的语音电话。因此，垃圾语音的防护及过滤研究势在必行。针对垃圾语音的防护，已有多种手段，例如黑白名单、图灵测试、预付费等，都在各自领域取得了较好的研究成果。但目前愈来愈多的垃圾语音均为人为发出，可绕过机器检测的过滤手段，变得狡猾难以辨别，因此，信誉系统的引入开始引起人们的关注。信誉系统引入了评分机制，通过众的人监督使垃圾语音被遏制住，从而减少危害。目前针对信誉模型的研究已不再少数，并也取得了良好的效果，但大部分模型仍有一些问题未纳入考虑：（1）针对用户的多评价标准该如何处理；（2）如何对大量证据进行有效且迅速的处理；（3）如何使模型适应用户的变化。针对以上问题，本文提出了基于群学习的多标准信誉模型的解决方法。在将用户根据其信任倾向进行分类后，解决了多评价标准对模型的影响；之后在建立起群组的机制上提出了群学习的方法，使模型处理速度不致因为大量数据而减缓；此外，通过滑动窗口模型的流数据处理方式及定时更新机制保证了模型能够根据用户的变化而进行变动，保证模型的准确性。通过仿真结果显示，在引入信任倾向划分的机制上，模型的判断结果相较普通的信誉模型有更好的检测效果；在引入群学习的机制上，模型内各节点的学习速率有了大幅提升，能在较低的事务率下显示出良好的收敛速率。整体模型满足了设计要求。