随着互联网技术的不断发展以及与之相关的服务规模的不断扩大,具备相同功能属性但不同非功能属性的候选服务不断涌现。这使得用户在构建服务应用的过程中需要面对海量的候选服务集合,这一方面让用户有更多机会去寻找满足自己需求的优质服务,然而另一方面也增加了用户的筛选成本。因此,海量服务场景下的服务识别能否高效准确且满足用户需求就显得至关重要。然而,传统的服务识别方法大多通过利用自上而下或者自下而上这两种服务识别策略制定服务识别指标,从而实现对服务识别工作。然而这一类方法忽略了用户本身的需求与所制定的指标存在差异。同时,现有的识别方法较少关注用户与服务的反馈关系,默认提供反馈的用户都是可信的,导致性能低下的服务被误识别为优质服务,影响服务识别效果。因此,在服务识别系统当中,用户希望系统能够找到真正满足自己需求的优质服务。为了提高服务识别系统的计算效率以及识别质量,本文的主要工作如下:1)从用户角度出发,提出了基于用户需求的面向海量数据的服务识别方法。该方法首先利用BIRCH算法对服务进行初步识别,再利用PSO算法对识别后的服务组进行再次筛选,选出整体性能较优的服务;利用Beth信任模型对用户QoE进行建模,利用这一机制可以有效区分出劣质服务,提高服务识别的精度。2)提出了基于混合方式的群智感知激励机制,将一些只依靠计算机难以处理的识别任务分配给感兴趣的用户,采用逆向拍卖的方法,构建了一种新的任务发布模式和报酬分配方式,同时加入质量监控模块,提高感知数据的质量。3)为了验证所提出方法的有效性和可行性,本文设计并实现了服务识别仿真原型系统中的子系统。在此基础上,本文同时给出了应用示范,对本文所提出的相关研究理论进行了验证和推广。