在边缘计算、大数据、人工智能等新型信息技术的推动下,物联网在应急监测、环境监测、智能交通、智慧农业、地质灾害预警等领域得到广泛应用。物联网中同时存在大量固定的数据采集节点和移动节点（如智能手机、运动手环等便携式智能设备以及车辆等）,在一些应用场合中移动节点与数据采集节点间有大量相遇的机会,部分移动节点的移动路径具有一定的规律性,数据流向也具备一定的方向性。移动节点利用与固定数据采集节点的相遇机会帮助其传输数据的方式称为机会传输。充分利用机会传输能够缓解由于数据采集节点能力不足导致的数据传输不及时从而溢出缺失的问题。本文以最大化机会传输数据总量为目标,针对不同的物联网应用场景设计集中决策的机会传输机制和自主智能决策的机会传输机制,分别描述如下:针对城市中突发应急情况下,临时产生大量的数据采集需求,数据采集传感设备存储和传输能力有限,且如智能手机、车辆等有数据携带能力的移动设备与数据采集点有相遇机会的应用场景,研究集中决策的机会传输机制。中心控制服务器依据各移动节点和数据采集节点的状态信息集中统一做决策,以最大化机会传输的数据总量为目标,建立了最优化模型,并基于遗传算法求解该优化模型得到移动机会传输节点的数据携带策略。仿真实验表明,基于遗传算法集中决策的机会传输策略能得到最大的机会传输数据总量并且优于贪婪算法。针对如偏远地区环境监测等应用场景,监测区的数据只能通过数据采集节点以无线的方式传输到管控中心,数据采集节点的能力有限,而周期性执行巡航任务的无人机与监测区的数据采集节点有相遇机会,针对该类场景研究自主智能决策的机会传输机制。无人机在飞行过程中根据自身的状态、数据采集节点以及其他无人机的状态等自主决策。本文将多无人机参与机会传输的决策过程建模为多智能体的马尔科夫决策过程,各无人机采用本文设计改进的深度强化学习算法S-MADDPG,学习使得机会传输数据总量最大的最优策略。仿真实验表明,S-MADDPG算法能够收敛得到最大的机会传输数据总量且优于MADDPG算法。