众包是一种新型的任务分配模式,它通过互联网大众群体智慧来完成任务。随着众包平台中任务的日益复杂化,如何寻找更优的分配方式和探索工人在执行任务时的协作机理已成为复杂众包任务分配的研究的热点问题,并给众包研究带来了新的挑战。本文以复杂任务分配和工人合作机制为研究目标,对大规模的复杂任务的全局分配方式进行深入研究,并且探索了工人在合作执行任务中的策略同步机制,提出了众包任务集体分配模型和工人的策略协调同步模型。本文的主要贡献和创新总结为以下两个方面:（1）本文基于二部图匹配建立了面向复杂众包任务的集体分配模型。以往研究工作仅关注如何寻找满足任务需求的工人团队,未综合考虑到任务的需求、工人的技能、时间、预算和工人的报酬等因素。当对大规模复杂任务分配时,众包平台剩余的工人无法满足相对复杂的任务,从而导致分配失败。为了弥补相关研究的局限性,本文所提出的模型能够解决平台中大规模复杂任务并发分配成功率较低的问题,并能够合理的利用平台中的工人。在模型中,复杂任务分配问题被映射转化为加权二部图匹配问题,然后提出了基于KM（Kuhn-Munkres）算法的任务分配方法来求解最优分配方案。通过这样的方式,能将尽可能多的任务成功分配给工人。最后,本文在真实数据集上进行了对比实验,结果表明所提出的模型在任务成功率和任务支付总费用等方面具有更好的性能。（2）本文将多Agent系统群体行为扩展到众包环境,提出了众包工人的策略同步模型。在现实众包中,工人执行任务往往不是独立的,其执行任务的策略会受到自身偏好、社会关系等因素的影响。目前多数研究仅仅关注如何鼓励众包工人之间的协作和交流,而本文所提出的模型是研究工人协作交互的具体过程并且探索了工人凸显决策的现象。在该模型中,工人能够自适应的调整和协调自身的策略,并且我们发现工人策略会聚集到凸显工人的决策值上。最后,本文在不同环境下对模型进行实验测试。实验结果验证了本文提出的模型的正确性。