各种智能穿戴设备和人机交互设备已将“人”连入互联网,物联网又将万物接入互联网,而互联网早已将全世界的各种软、硬件资源和海量数据资源连接起来,如此真正实现了人、机、物的互联互通。在这样的背景下,2016年美国乔治亚理工学院的GREGORY D.ABOWD教授首次提出了群体计算（Collective Computing）的概念,并把它作为继普适计算（Ubiquitous Computing）之后的第四代计算模式,是普适计算的延伸与泛化。通过将人的能力接入群体计算环境从而提升人协同信息空间的计算能力,构成一个无处不在、无所不能、高度智能、超大规模、万众参与的分布式协同计算环境,为人类提供高效、高智能、低成本的计算服务。因此,群体计算作为一个新兴的研究方向一经提出便受到了国内外研究者的广泛关注,同时也带来了许多开放的问题与挑战。本文的研究围绕群体计算资源的参与,尤其是人件资源的参与和参与率的保证展开,重点对群体计算的任务与资源模型、体系结构、安全性、激励等一系列基础理论进行了深入地研究,分别用于解决资源的发现、资源的加入与使用、资源的保护与激励一系列问题。主要贡献包括:首先,为了明确群体计算中任务与资源的特性与功能,通过分析普适计算的各种泛化计算模式中任务与资源,结合群体计算的特点对各种类型任务与资源进行分类与分析,尤其对人件资源进行了探索性的深入研究,提出了人件资源模型,并给出形式化描述。并以人件资源模型为基础,设计了硬件、软件、物件以及数据资源的模型,以保证各种异构的群体计算资源以统一的形式被系统发现、调度、选择和扩展。并基于资源功能与群体计算应用的分析,设计了群体计算的任务模型,以明确群体计算任务基本的需求与约束。其次,将人件资源接入群体计算之后,现有普适计算体系结构已经难以满足群体计算的需求,为此提出了一种群体计算可扩展的分层体系结构ELCC（Extendable Layered Architecture for Collective Computing）,用于公平均衡地调度分布式异构资源高效执行大规模、高并发异构计算任务。应用ELCC体系结构可以接入或直接部署普适计算或其泛化的系统,同时该体系结构考虑了自定义的组件与功能的扩展,支持分布式的大规模的资源与任务的调度。再次,为了保证各种资源可以被系统统一的使用,本文基于ELCC体系结构设计并实现了第一个群体计算原型系统,分析证明了ELCC体系结构与所研发原型系统的合理性、实用性与高效性。该原型系统为群体计算领域的研究提供了实验环境,同时为本文后续研究工作提供了实验验证平台。从次,人件资源具有较强的主观型、目的性与自我保护意识,因此隐私保护是人件资源稳定加入群体计算的前提,而激励是其共享计算能力的目的。提供隐私保护下的激励机制是保证群体计算资源参与率的核心。现有的隐私保护机制大多是在数据质量与匿名性之间折中方案,而且很少有研究同时考虑隐私保护与激励机制。为此本文提出了基于反向拍卖的匿名激励协议ADR（Anonymous Data Reporting protocol with ensuring reverse auction incentives）,使用可验证的洗牌机制打乱传输计划,之后依照该传输计划使用批量传输协议传输数据,以此方式切断了数据与数据贡献者的身份之间的关系。同时结合一次性假名机制与盲签名机制保证了令牌的匿名签名,该机制保证了令牌唯一且不可伪造、不可追踪,且可与资源的身份绑定,以用于数据贡献者兑换激励。最后,为了提供动态定价的激励以鼓励各种资源以更高的质量完成,本文进一步提出了基于动态定价的匿名激励协议OADR（Optimized Anonymous Data Reporting protocol with ensuring dynamic incentives）。首先改进了批量传输协议,简化了随机数的生成方式与数量。使用在批量传输协议中随机选择时隙确立传输计划,大幅度的提升了效率并降低了能耗,使之更适合群体计算低延迟应用的需求。使用与数据传输相同的策略切断了激励量与数据贡献者身份的联系,结合二重盲签名机制提供了动态激励量,并确保了的激励兑换过程的匿名性。