随着通信、微电子、集成电路和软件等技术的飞速发展,移动终端设备的性能极大提升,由只具有通话功能的电话发展到集成了丰富的计算,感知和通信能力的智能终端设备。移动终端的保有量逐步增长,越来越多的人拥有智能终端并随身携带。移动终端技术领域的最新进展以及移动终端的普遍存在特性促使研究人员提出了一种新的数据收集方式—参与式感知（Participatory Sensing）,从而使得以低成本大范围收集感知数据成为可能。参与式感知的基本思想是让民众使用手机等移动终端设备收集并共享周围环境的感知数据,将这些信息用于各种创新性的服务。参与式感知的基础和关键是拥有大量用户的参与。激励机制是参与式感知中最重要的研究内容之一:（a）参与式感知任务在通过参与者收集数据的过程中,会使参与者产生实际费用或对参与者使用便携设备产生不利影响,如和服务器通信上报感知数据会消耗参与者3G网络流量、数据收集会消耗参与者移动设备电量,因此平台发放激励给参与者用以补偿执行任务的消耗;（b）与传统传感器网络中所有节点均可控的场景不同,参与式感知中的智能设备是由与者所拥有:仅参与者可决定何时何地以何种方式贡献数据。因而,平台通过发放激励给参与者,影响其参与行为,从而进一步提高收集数据的质量。激励机制与参与式感知中其他主要研究问题密切关联,如参与者选择、能耗优化、所收集数据质量优化等。因此,本文以激励机制为主要切入点,研究了多任务条件下参与者选择、能耗优化的事件检测、数据质量优化和激励协商流程等问题,取得了如下研究成果:1.针对多任务并存场景,解决了当参与者激励要求不同、感知能力不同、轨迹不同时,如何使用多个并行任务提供的激励选择最合适的参与者,最大化满足多任务的不同数据采集需求的问题。基于反向竞价激励机制基本流程,将多任务参与者选择问题建模为多目标优化问题,并依据多个感知任务激励的比较,将多目标优化问题转化为单目标优化问题,通过贪婪算法求解。所提出的多任务参与者选择方法,数据收集性能远优于随机选择参与者方法和基于反向竞价的参与者选择算法。2.针对环境事件检测问题,提出了一种以最小的能量消耗检测事件发生边界区域的方法。该方法首先使用少量随机参与者上传传感器读数,对是否有事件发生进行检测;之后使用了一种能耗最优的参与者选择算法用于检测事件具体的边界。该算法对任务收集能耗与参与者使用体验所受影响的关系建模,并建立了任务预期数据收集质量最优和参与者群体能耗最小的多元优化目标,通过基于贪婪算法的参与者选择方法求解该多元优化目标。该方法优化了传感器读数异常事件检测和区域提取过程中参与者的能量消耗。3.提出了一种使插值后数据准确率最高的参与者选择算法。环境数据往往具有时间空间关联性,目标为使采样数据量最大的反向竞价激励机制不能确保插值后数据准确率最高（与真实数据差异最小）。本研究首次考虑了数据均匀程度对插值后数据准确率的影响,提出了一种既考虑采集数据量又考虑采集数据分布的参与者选择算法,提高了数据采集结果的准确度,和参与者收到的平均激励。4.提出了一种新颖的动态定价的激励机制。传统反向竞价方法的缺陷是参与者所得到的激励具有较高随机性,不能准确反映其对应数据的价值。本研究基于上章所提出的数据准确度与采样量、采样均匀度的关系,提出了一种由服务器向参与者报价的激励协商机制,代替参与者向服务器报价。对参与者而言,该方法可降低激励协商流程复杂度和成本,更合理的分配激励,提高参与者积极性;对于服务器而言,该方法可以提高其数据收集准确性。