将普通用户的智能移动设备(手机,平板电脑等)作为基本的感知单元,通过移动互联网进行有意识或者无意识的协作,实现感知任务的分发和感知数据的收集和存储,完成大规模的、复杂的社会感知任务,这一过程即为群智感知。群智感知发展至今,在智能交通、环境监测、健康医疗等方面都发挥了巨大作用。传感器数据具有刷新迅速、单个数据零碎的特点,而且在手机端的特殊环境中,现有的群智感知应用都需要面对硬件处理性能有限、存储空间不足等问题。现有的相关研究成果都未能有效地解决群智感知过程中海量、多种类传感数据在采集端的预处理优化问题,因而降低了传感数据预处理效率,影响了群智感知应用的运作。本文根据各类传感器数据的特点、移动智能终端的特点及群智感知应用对数据处理的需求,提出对已有的预处理方法的改进,从而达到更好的预处理效果。本文所完成的工作如下:(1)根据群智感知应用中用于数据采集的移动设备上各类传感器的数据结构、采样频率、数据量、误差来源及实时传输需求等特征,对传感器进行了分类,并结合群智感知应用的实际需求,明确出各类传感数据在群智感知应用过程中的预处理优化需求;(2)针对现有感知应用过程中数值型传感器数据在采集过程中由于需处理的数据点过多导致的算法耗时过长和采样频率较高导致的数据记录冗余问题,本论文提出了一种改进的滑动平均法,在动态的时间区域窗口内进行处理,将每个短时间区域内的大量连续的零碎数据精简为数个可靠且具有代表性的数据点,从而对数据进行了压缩处理,并减少了需处理的数据点个数,降低了算法的时间复杂度。(3)针对图像型传感器数据去噪过程中存在的对高像素图片优化不足导致算法耗时过长的问题,本论文提出了改进的极值中值滤波法,通过只对滤波窗口矩阵进行局部排序,优化了窗口内极值及中值的检测算法,并利用滤波窗口内元素的渐变性加速了窗口移动过程中的排序,从而降低了算法的时间复杂度,且保证了图像去噪效果;(4)提出了基于“参考值+变化值”式记录的传输策略优化方法,采用将数值型数据文件分组后,只记录每组数据的分界点和相对于分界点变更较大的数据点的方法,减小了移动端的存储压力和传输的数据量,从而提高了数据传输效率。(5)本论文对以上提出的几种优化方法进行了实现和验证,对方法中的参数进行调优,同时通过与现有方法的比较,证明了本论文提出的优化方案的高效性。