基于移动传感网络的城市感知，为智慧城市提供了细粒度和多种类的数据信息。随着传感器技术的发展，各类低成本，便携式的传感器开始投入到移动传感网络当中。然而，由于受到时间偏移，环境因素等影响，这些传感器的测量值和真实值之间存在较大的偏差。目前数据校准方法主要是基于多元线性回归模型，该算法利用不同传感器数据之间的相关性来建立多元的线性方程。已有研究表明，该算法在气体传感器（二氧化氮，臭氧）的数据校准中取得可很好的效果，但在粒子传感器(PM2.5)的数据校准上表现较差，这可能是由于不同传感器的数据存在非线性的关系。　　本研究在前人工作的基础上，在线性模型的基础上加上了非线性的成分，提出了改进后的校准模型和LNN-RF算法。通过引入集成学习和信息准则的思想，LNN-RF的泛化能力和准确率都得到了较大的提高。另一方面，本文介绍了数据校准的实验平台(基于移动传感网络的城市感知系统Mosaic)中和数据校准相关的内容，并将LNN-RF算法用作Mosaic节点粒子传感器(PM2.5)的数据校准方法。通过实验验证了移动场景下速度对粒子传感器(PM2.5)数据的影响，并将速度作为LNN-RF算法的输入特征。将Mosaic节点在移动车辆上进行了长期的部署，并基于部署得来的数据进行了大量实验。实验结果的表明，LNN-RF在粒子传感器(PM2.5)的数据校准准确率上较已有方法有较大提升。