任务分配是时空众包研究的核心问题。国内外相关研究进展表明,由于在线场景下任务分配面临工人、任务和时空约束的不确定性,如何对工人和任务的参数进行有效估计等相关问题研究还处于起步阶段,需要更多更深入的算法研究和改进。针对时空众包中参数估计和任务分配的问题,本文主要完成了以下工作:（1）提出了RRDQN（Double Recurrent DQN）框架解决时空众包动态任务分配问题。在参数估计方面,时空众包任务不存在真实答案,而以往的研究大多应用于存在真实答案的问答、嗅探任务,难以直接应用于时空众包环境。因此提出基于LSTM（Long Short-Term Memory）的方法根据工人历史分配任务数据及其完成情况在时空众包环境下估计工人参数。实验结果表明,该方法使用少量数据就能有效地估计参数并且与准确率较高;在任务分配方面,工人和任务动态到达并离开,若累积大量工人和任务一起进行分配则工人和任务会有过期的风险,而如果每当工人任务出现就立刻进行分配则可能无法找到最优的分配结果,需要在两者间取得平衡。为解决该问题,提出基于LSTM与强化学习的方法,在每一个时刻根据当前工人和任务的数据对是否分配进行决策。实验结果表明,该方法在不同的实验情况下都能有效地减少工人任务过期数量,并且在于其他算法的对比中其总完成率更高。（2）提出了一种启发式任务分配方法进行双目标任务分配。在具体的任务分配问题中存在各种情况,如工人和任务数量不相等、参数分布不相同、需要进行双目标优化等情况。在这些众多的复杂情况下使用匈牙利算法等传统算法难以有效地解决任务分配问题。因此提出基于贪婪与约束求解器的启发式算法,首先使用贪婪算法进行单目标优化,之后将贪婪算法得到的结果作为一项约束条件使用约束求解器进行求解。使用该方法,可以解决匈牙利算法等传统方法难以完成的双目标优化,同时由于不需要进行增广路径的求解,其算法用时也大幅度降低。