随着信息技术的发展,移动智能设备日新月异,移动大数据的时代已经到来。在移动大数据时代,移动群智感知理论和应用成为国内外学术界研究热点。论文在总结移动群智感知激励机制相关研究的基础上,针对用户自身设备感知资源或采集条件受限的场景,提出了基于双向拍卖的移动群智感知资源分配及激励机制;针对用户在线到达场景下信誉评价的缺失,提出了基于信誉更新的预算受限在线激励机制;针对任务数受限时所对应的两种不同优化目标,提出了相应的在线激励机制。主要研究工作如下:(1)在分析了移动群智感知国内外的研究现状基础上,重点阐述了移动群智感知激励机制的研究基础。总结了不同对象、不同场景以及不同目标下的移动群智感知激励机制的算法。(2)提出了一种基于双向拍卖的移动群智感知资源分配及其激励机制的算法DAIM,并通过理论推导和仿真实验证明了该算法具有计算有效、个体理性、预算平衡和真实可信的性质,同时对比经典的TASM算法,所提算法具有更高的系统效用,从而可在移动群智感知用户自身设备性能受限,而需要向微云或其他高性能感知设备用户求助时,解决其请求资源分配问题。(3)提出了一种在线情景下将用户信誉度和用户提交数据质量相关联的评价方法,建立了基于信誉更新的在线激励机制算法ROM,理论分析表明该算法符合设计目标,并仿真验证了该算法具有比普通在线算法更好的群智感知性能,保证了平台端收集到数据的质量。(4)研究了任务数受限场景下的在线激励机制。根据不同的实际应用,将优化目标分为节约型和价值收益型两种,并在价值收益型优化目标的设计中,对平台获得的价值收益建立了价值-时间折现模型,提出了两种优化目标下的在线激励机制算法OZF和OZV。对这两种算法进行了仿真实验,结果表明,在零到达-离开时间间隔的模型下OZF和OZV算法都可以达到比随机选择算法更加优良的性能。