移动群智感知是一种新兴的数据收集范式，它利用携带智能设备的移动用户协作完成个体难以解决的复杂任务。相对传统的无线传感网络，移动群智感知网络将携带智能设备的用户看作动态的传感节点，具有感知范围广、感知规模大、维护成本低等优点，在环境检测、智能交通、公共安全和智慧城市等领域有广阔的前景和应用空间。
　　随着移动群智感知的应用不断拓展，使用移动群智感知网络获取感知数据的发布者不断增加，他们为了获取更优质的感知资源的竞争不断加剧，严重影响到感知网络的公平与稳定。但已有的理论研究多集中在单发布者情境中的移动群智感知，现有感知框架无法处理发布者之间的竞争，据了解仍未有针对多发布者情境中感知框架的研究。另外，也缺少针对多发布者情境中的任务分配机制的研究。本文主要针对多发者情境中，发布者之间的博弈关系、平台的公平性和任务分配机制进行了研究。本文的主要贡献和创新点如下：
　　①剖析发布者之间合作的动力、策略和稳定性，构建了基于合作的感知框架，将发布者之间以竞争为主的状态转变为以合作为主。感知平台的公平与稳定是发布者采取合作策略的基础，因此提出了一种维护平台公平性的利益再分配算法。利益再分配算法通过利益的再分配，调整发布者们的贡献实现度，从而降低平台的整体相对剥削感，维护平台的公平性。随后进行仿真实验，在模拟场景下的仿真表明基于合作的感知框架能够有效降低平台的感知成本；同时利益再分配算法能够有效降低平台的整体相对剥削感30%至60％，并有效提高了平台的公平性。
　　②分析多发布者情境中任务分配具有的新特性：任务多样性、感知资源稀缺性以及对数据质量的高要求。应对这些新特性，制定合理的数据质量评价模型和激励机制，前者有效的评价参与者的感知能力和数据质量，后者能够激励参与者积极参与感知任务。在这些工作的基础上，将多发布者情境中的任务分配问题转换成为最优化问题，以最大化总质量报酬比为优化目标函数，基于不同角度设计了3种任务分配策略。分别是基于贪婪算法的QFA算法，结合贪婪与遗传算法的GGA-Q算法和基于局部搜索的DA算法。仿真结果表明，这三种算法相对于其他对比算法，在兼顾数据质量和感知成本方面都有较大的优势，特别是GGA-Q算法所产生的任务分配结果，相对于对比算法性能有30％以上的提升；DA算法则在参与者稀缺的情况下，在兼顾数据质量的同时降低感知成本方面展现出明显优势。