移动互联网技术的快速进步,推动了基于位置服务APP、网约车等时空众包应用的普及和发展。时空众包是指任务执行者（也称为“众包工人”）以主动或被动的方式完成任务请求者发布的具有时空特性的众包任务并满足约束条件的一种新型众包计算模式。目前各类时空众包应用平台日益流行,如物流派送类应用（顺丰速运、美团外卖）、实时打车类应用（滴滴出行）等都采用时空众包技术提高其服务质量,并在大众的日常生活中发挥越来越重要的作用。任务分配算法是时空众包中的关键核心技术,是指将众包任务合理分配给任务执行者过程,如网约车平台的打车订单分派。由于时空众包的时空移动特性和动态性等特征,使得时空环境下的任务分配算法更加复杂。时空众包与基于Web平台的传统众包相比,时空任务和任务执行者会受制于各类线下时空属性的约束,并且在实际应用中大部分任务和执行者是实时动态变化的,这些均使时空众包任务分配问题更具有挑战性。考虑到时空环境下任务分配所呈现出的动态性、实时性等特性,将时空任务分配问题抽象为在线任务分配模型。对执行者需求量不同的单任务（单一执行者需求）和多任务（多执行者需求）,提出了不同的基于强化学习方法的分配模型。针对单任务,提出了基于马尔可夫决策过程的分配方法,充分学习历史任务分配数据,将当前分配决策的长期影响考虑在内,做出更优的任务与执行者的一对一匹配决策。针对多任务,提出了基于多臂赌博机的任务分配方法,面对未知的任务执行者在线学习,通过观察执行者对任务分配的反馈结果实时优化分配决策,动态评估众包任务执行者在特定时空环境中接受任务的程度,使得将任务分配给一组执行者时获得较高的接受率。文章使用滴滴公开的决策智能仿真平台和真实的滴滴专车派单数据集进行单任务在线分配的实验,仿真结果表明本文提出的单任务分配模型在网约车订单调度中有较好的表现。针对多任务场景的任务分配问题,基于真实的Gowalla众包签到数据集进行模拟实验,实验结果表明提出的算法在分配效果上接近于最优的任务分配策略。我们还开发了一个实用的、支持移动微任务的C2C时空众包系统平台,适应时空众包任务分配的现实需求。