移动群体感知作为一种新颖的感知范式,与无线传感网络相比具有灵活性强、规模大、部署便捷等优势。该技术依赖群体智慧,借助内置丰富传感器的智能移动设备收集数据,在智慧城市中的各种感知场景中被广泛使用。任务分配和数据聚合作为移动群体感知的关键阶段,倍受学术界和工业界关注。任务分配旨在解决一个最优化工人选取问题,现有研究面临以下挑战:1)难以同时保护任务和工人的位置隐私,2)针对多种类型任务共存的场景缺少灵活的任务分配方案,3)很少考虑支持点级别的精确任务分配。数据聚合是数据统计分析的一种重要手段,现有研究面临以下挑战:1)难以同时保护工人的感知数据隐私和请求者的聚合结果隐私,2)缺乏支持多种聚合类型的普适性方案,3)很少考虑请求者的定制化聚合需求。针对上述挑战,本文研究了移动群体感知中任务分配和数据聚合过程中的隐私保护问题,论文的主要工作归纳如下:（1）在任务分配阶段,本文提出了保护双边位置隐私的精确任务分配方案BRAKE。我们引入雾计算到移动群体感知,利用多秘密共享作为保护位置隐私的关键技术,雾节点仅持有任务和工人真实位置的一个秘密分片。我们同时考虑了面向距离和面向时间两种场景的任务分配优化问题,并提出了一种自适应top-k工人选取算法用于精确选取最优工人集合。安全性分析证明了BRAKE能抵抗共谋攻击,后续大量的实验结果也验证了BRAKE的高效性和精确性。（2）在数据聚合阶段,本文提出了保护隐私且支持定制化的数据聚合方案PAGE。该方案引入两个感知平台,利用加性秘密共享同时实现了对工人感知数据和请求者聚合结果的隐私保护。通过对基于加性秘密共享和全同态加密构造的安全三元组协议TRIP的巧妙应用,实现了求和、均值和方差聚合。此外,我们还设计了基于加性秘密共享的安全比较算法SC和安全top-k分片选取算法,进一步满足了请求者的定制化聚合需求。方案的安全性分析证明了PAGE的隐私性,后续基于真实数据集的大量实验验证了PAGE方案的高效性。