移动群智感知已经成为了一种以低成本执行大规模感知任务的有效方式,近年来已经引起了国内外学术届和工业界的密切关注。移动群智感知依赖智能设备用户的参与,用户通过其智能设备所内置的各种传感器收集并向平台提交数据。为了完成指定的感知任务,用户需要付出自己的时间和精力,并消耗设备的能量,因此,设计有效的激励机制对群智感知用户进行补偿是至关重要的。本文基于声誉系统和社交网络设计移动群智感知激励机制。首先,由于用户的能力会随时间而发生变化,其上传的感知数据质量不稳定,进而对任务的完成质量造成影响。为了解决该问题,本文提出了一种基于细粒度声誉系统的群智感知架构,它可以在用户完成任务后对感知数据的质量进行评估,进而获得用户的长期能力声誉。在这个新颖的移动群智感知架构基础上,提出了基于细粒度能力声誉系统的群智感知激励机制。首先使用声誉系统对用户的长期能力声誉进行建模,然后使用反向拍卖算法选择胜利者执行任务。通过严格的理论分析和广泛的模拟实验,本文证明了所提出的激励机制满足计算有效性、真实性、个体理性、防洗白攻击以及较低的近似度等性质,并且FAR-Beta在社会成本方面分别达到了最小成本算法和最大能力算法的79.16%和77.82%,在平均能力达成率方面达到了最小成本算法和最大能力算法的146.32%和217.16%,FAR-Peer在社会成本方面分别达到了最小成本算法和最大能力算法的80.67%和79.30%,在平均能力达成率方面达到了最小成本算法和最大能力算法的150.89%和223.93%。其次,传统的群智感知平台往往会因为用户数量不足而导致大量任务无法被完成。为了解决该问题,本文提出了一种两层社交群智感知架构,它能够使选择的注册用户通过将感知任务扩散到其社交网络,并招募其社交邻居来参与任务。针对离线场景和半在线场景分别提出了基于两层移动群智感知结构的激励机制,通过选择代理人扩散任务到其社交网络中吸引其社交邻居参与。通过严格的理论分析和广泛的模拟实验,证明了离线激励机制满足计算有效性、真实性、个体理性、较低的近似度等性质,并在价值方面达到了离线不真实近似最优算法的83.4%。半在线激励机制满足计算有效性、真实性、个体理性等性质,并在价值方面达到了离线不真实近似最优算法的51.1%。