无线传感器网络感知数据准确、稳定,可以作为可靠数据来源和用来验证数据。但它存在维护成本高、不易扩展等问题。近年来兴起的群智感知网络为数据感知提供了有效的支持,主要体现在扩展性强和完成任务多样性等。因此,它可以与无线传感网融合优化感知任务。本文主要研究如何优化无线传感器网络的感知覆盖和群智感知网络的数据感知质量,同时借助各自特点和优势,扩展和优化融合网络的覆盖和感知能力。首先,本文研究无线传感器网络的覆盖问题,重点研究在移动传感器网络中的多重线型栅栏覆盖问题。我们提出了一种新的覆盖问题称作线型K重覆盖。K重覆盖问题就是要求感知对象至少被K个传感器所感知。因为移动带来的能源消耗在数量级上大大超过感知、计算和传输等方面的能源消耗。如何使得移动传感器尽量少地移动以达到特定的覆盖要求,这是覆盖问题在移动无线传感器的部署上的主要目标。为此,我们提出了最优的移动传感器最小移动总距离实现线型K重栅栏覆盖的算法。本文之所以重点研究移动无线传感器网络,是因为移动性使得网络的部署更加有灵活性和挑战性,同时为网络性能的提升带来了可配置性。这为我们研究灵活性更强的群智感知网络提供了研究准备和基础。我们提出了两个非最优的但是时间效率较高的算法,分别是LK-KM和LK-KM+。它们都是基于著名的匈牙利算法（KM算法）。然后提出了一个最优的分层策略的算法LLK-MinMovs,它有多项式时间复杂性。本章给出了它的最优性证明。进一步,我们给出了开放放置假设下一般版本的分层算法GenLLK-MinMovs。它解决了前人研究中提出的算法MinSum的一个严重问题^[1]。其次,群智感知网络如何与无线传感器网络融合是一个开放性问题。根据无线传感器网络和群智感知网络的特点,首先,我们利用群智感知网络的众包特性进行辅助无线传感器组网,实现众包辅助定位。我们考虑了一个众包辅助无线传感器网络GPS定位的框架,并提出了两个招募参与者最优化的目标,分别是最少参与者和时间最高效。我们把这两个问题都刻画为整数线性规划问题,并且提出了次模代价集合函数的优化目标。基于贪心思想的算法被提出来解决这两个问题,我们在实验中证明和比较了这个算法的高性能。其次,我们进行数据层面群智感知与无线传感器网络的融合。通过对数据质量相互校验、以及估计可靠性（置信度）进行概率建模,对感知主体相互校验的贝叶斯方法进行理论和实验分析。为之后的可信数据驱动的群智感知网络参与者选择问题提供模型和理论基础。最后,我们基于置信区间的数据感知准确度和估计可靠性进行非完全信息下的可信数据感知。我们用偏差和方差为群智感知中的工人质量进行建模。对于经典的探索和利用困境,我们引入了改进的多臂老虎机算法来解决。一个基于贝叶斯估计的数据集成方案被提出,它可以更好的计算出目标位置感知任务的真实值。在仿真实验中,使用了真实世界数据集来验证了我们算法的理论结果,并在不同的设置下比较了改进的多臂老虎机算法与基准算法,得出了改进的多臂老虎机算法的性能更优的结论。基于以上问题的研究,本论文针对无线传感器网络和群智感知网络的优化和融合的实际场景提出了有效的方案。在移动覆盖、众包定位、数据校验、工人选择等主要研究方向上进行了深入研究。通过模型建立,定义问题,设计算法,以及进行相应的理论分析和仿真实验,达到了无线传感器网络和群智感知网络优化和融合的预期目标和效果。另外,本文论文还包含了所调研的主要来自于2007年到2017年?年间关于带有不确定性覆盖问题的综述研究。这些调研的结果为我们研究无线传感器网络以及群智感知网络这种带有明显不确定性的网络环境提供了理论和对照研究的基础。本论文的研究成果为进一步研究无线传感器网络和群智感知网络的优化与融合提供了理论准备和实践基础。