移动众包作为一种经济高效的工作模式,通过利用人类智慧或人群感知解决时间和空间敏感的众包任务。但是由于众包工人的能力异构性和策略行为使得移动众包的数据质量难以保证。因此质量控制对于移动众包系统来说是必要的,任务分配机制和激励机制通过影响众包工人行为进而影响着数据质量,是目前研究的巨大挑战。论文的主要贡献在于以下三点:(1)调研了移动众包系统中数据质量控制机制的国内外研究现状,从众包工人、任务发布者和众包平台角度分析了移动众包系统中影响数据质量的因素;对现有移动众包系统的质量控制方案进行总结和归纳,划分成四种质量控制策略:改进任务设计、工人选择、激励机制和数据处理;并对具有代表性的质量控制技术进行了阐述和分析。最后指出了现有研究工作的不足之处和将来的研究方向。(2)基于时间和空间限制的空间众包已成为一种新的移动众包模式。如何将动态出现在平台上的众包工人和任务即时地进行合理匹配且最大化匹配对总效用是一个难题。为了解决该问题,本文提出了 TGOA-ExtendedAT算法,该算法先根据工人和任务到达平台的顺序将其分成前后等长两部分,对于前半部分采用贪婪策略即对于每一个到达平台的工人(或任务)为其分配一个满足限制条件且总效用最大的任务(或工人);对于后半部分采用自适应阈值策略即除了满足限制条件外效用值还需大于设定阈值且该阈值随当前匹配对总效用不断改变。通过理论证明了该算法可以获得的最低总效用且该算法处理每一个新到达对象的时间复杂度为O(max(|T|,|W|))。最后通过基于合成数据集和真实数据集的仿真证明了该算法的效率和有效性。(3)激励机制通过激励工人参与以及投入努力来提高数据质量。现有的激励机制虽然考虑了众包工人的策略行为和自利性,但是忽略了工人移动距离对平台侧或工人侧效用的影响。本文设计了一种基于信誉度的位置敏感激励机制,该机制根据工人实际贡献以及工人与任务间距离分配奖赏,不仅激励工人投入努力而且激励远距离工人参与。均衡分析表明投入努力是工人的最佳策略;且该机制利用真值发现算法估测任务真值,不仅为贡献评估提供基准且能够有效抵制欺骗行为对估测真值的扰动。最后通过真实数据集的实验仿真证明了该机制的合理性和有效性。