以人为中心的感知和计算,已成为了互联网的一种新型应用模式和发展趋势,并可以用于解决许多大规模的感知和计算问题。群智感知在大数据的时代被越来越多的人所熟知,并且也得到了较为广泛的应用。群智感知任务由平台发布后,需要许多手机用户参与进来去执行任务,此时也将消耗许多的手机资源,如流量、电量和内存等等,所以设计有效的激励机制是非常有必要的。本文的研究工作体现在以下两个方面:在大多数现有机制中,均假设有足够的参与者来执行众包任务。这种假设在大规模任务众包场景中可能不成立。为了解决用户参与不足的问题,我们提出利用社会网络中扩散众包任务。我们研究了两个任务扩散模型,并将最小化社会成本问题形式化为社会最优化任务扩散问题,使得所有大型任务都能在期望上满足扩散需求。我们根据社交网络的结构和历史的扩散数据设计了两种用户影响力计算方法。我们设计了两种基于密封反向拍卖的真实激励机制:任务线性扩散的激励机和任务独立级联扩散的激励机。通过严格的理论分析和充分的仿真实验,我们证明了所提出的机制能够实现计算有效性、个人理性、真实性和近似度。针对要求多人合作完成的群智感知任务,已有的工作没有考虑手机用户的兼容性。本文设计了一种真实的激励机制来最小化社会成本,并使得每个合作性任务能够由一群互相兼容的用户来完成。我们为上述情景设计了两种模型,并且针对每个模型分别解决社会最优化兼容用户选择问题。进一步地,我们定义了三种兼容模型,并且使用从社交网络中获取的真实用户关系去构造这种兼容关系。我们设计了两种基于反向拍卖的激励机制:多合作任务的多报价激励机制和多合作任务的单报价激励机制。它们均由两部组成:兼容用户分组和反向拍卖。我们进行了各种理论性质分析以及实验,证明了所设计的激励机制满足之前扩散激励机制大致相同的性质。另外多合作任务的多报价激励机制可以获得全局最优解。我们进一步使用了神经网络和聚类的方法进行用户的分组,使用这种方法进行分组的激励机制能在降低分组时间的情况下获得更小的社会成本和过付率。