近年来,随着移动智能终端迅速普及,大量用户随身携带或车载的智能设备通过移动网络互联,进行有意识或无意识的协作,共同完成大规模感知任务,正成为一种物联网感知的新模式,即“群智感知”。与传统主动部署的传感器网络相比,群智感知网络能够充分利用现有的网络、设备资源,灵活地完成多样化的感知任务。但是由于“以人为中心”的特点,群智感知节点符合人的时空行为模式,时空分布呈现出显著的非均匀性和动态性,导致在群智感知网络监测区域内出现许多感知薄弱区甚至是感知盲区。如何有效减少感知薄弱区,实现群智感知质量增强成为亟待解决的问题。为此,本文从节点资源配置、相关感知数据融合、感知数据结构特征学习三个方面展开研究,提出了一系列感知质量增强方法。具体来讲,本文的主要贡献如下:(1)提出群智感知增补节点规模预估方法。增大感知节点规模是增强群智感知网络时空覆盖能力、减少感知薄弱区域的一种直接方式。然而,现有的研究工作显示城市人群有其特定的行为模式,群体规模与网络时空覆盖能力之间呈现出环境相关的复杂非线性关系。为此,我们结合城市场景信息建模与节点规模尺度分析,设计了场景信息融合的节点轨迹生成方法,提升了满足感知质量约束的增补节点规模预测准确性。(2)提出基于数据相关性的群智感知质量增强方法。数据间的关联普遍存在于群智感知数据中:在时间维度,相邻时段的感知数据存在相关性;在空间维度,相邻区域的感知数据存在相关性;在类别维度,不同类别的感知数据也可能存在相关性。为了将上述群智感知数据在不同维度上的关联性进行统一建模,我们构建群智感知数据张量模型,并利用协同张量分解技术挖掘感知数据时-空-类别关联性,实现了感知数据的互补增强与缺失估计。(3)提出基于数据结构特征的群智感知质量增强方法。感知数据在时、空维度上呈现出连续变化的特点,进而表现出特定的内在结构特征。而群智感知模式,由于节点分布不均匀,在覆盖薄弱区域内数据采集稀疏,信息缺失严重,这为数据结构特征学习以及后续的数据缺失重建带来了挑战。为此,我们建立了非均匀分布节点的影响图,结合生成对抗神经网络,通过高质量环境信息重建,实现了感知薄弱区域的质量增强。基于上述贡献,我们设计并实现了群智感知质量增强系统,通过实验验证了所提出三种方法对于群智感知网络感知能力的增强作用。