随着物联网（Internetofthings,IoT）技术的发展,各种具有感知和计算能力的智能设备急剧增加,这促进了群智感知的极大发展,其中群智感知中的智能设备通过收集数据、分析数据以及提供算力来完成平台交付的感知任务。但是,在这个过程中参与者可能会泄露自已的敏感信息,受于保护隐私的意图,导致参与者参与感知任务的积极性降低,从而严重降低了平台的效用。另外,群智感知网络中参与者和终端的多样性,因此设计合理的感知任务分配策略、激励机制去提升参与者的任务完成度尤为重要。针对当前群智感知网络在隐私保护、参与者参与度低以及感知任务的不合理分配等方面存在的突出问题,本文主要的创新性贡献包括如下两个方面:（1）针对由于参与者隐私泄露和平台补偿参与者不足等所导致的平台效用过低以及参与者参与积极性不高等问题,提出了一种支付隐私保护级别（Payment-Privacy Protection,PPL）博弈,即每个参与者都以特定的PPL提交自己的感知数据,然后平台选择相应的支付（Payment）。此外,本文还推导了该博弈的纳什均衡（Nash Equilibrium,NE）点。考虑到Payment-PPL模型在实践中各个参数是未知的,因此采用了一种强化学习技术,即Q-learning来动态获得Payment-PPL博弈中的Payment-PPL策略。进一步地,使用深度Q网络（Deep Q Network,DQN）,其结合了深度学习技术和Q-learning来加快学习的速度。通过大量的仿真,验证了所提出的使用DQN的算法在平台和参与者的效用以及数据聚合精度方面都比使用Q-learning算法取得了更好的性能。（2）针对由于参与者隐私泄露等问题,导致感知质量极低等问题,本文提出了一种针对参与者的激励机制,通过将不同的感知任务分配给不同的参与者,保护参与者的隐私免受泄露,以确保感知数据的可用性,从而使平台和参与者的效用最大化。具体地说,本文将平台和参与者之间的交互形式化为多领导多追随者的斯坦伯格博弈,并推导出该博弈的 Stackelberg 均衡（Stackelberg Equilibrium,SE）。由于通过理论计算的方式很难获取最优策略,因此采用了一种强化学习算法Q-learning来获取参与者的最优感知贡献,为了加快学习速度,减少高估的失误,提出了一种结合Dueling网络结构下的深度Q网络的深度学习算法,即具有Dueling网络结构的双深Q网络（Double Deep Q Network with Dueling architecture,DDDQN）,以获取平台的最优支付策略。为了评估所提出的结构的性能,文章中进行了大量的仿真,证实了所提出算法与最先进的方法相比的优越性。