移动智能设备的广泛普及与物联网技术与应用的飞速发展,大量具有感知和计算能力的用户利用自身携带的设备参与到数据感知与聚合,并将海量数据上传至各类感知平台上,形成了基于群智感知的新型物联网数据感知计算模式。然而,由于参与用户位置敏感性高、规模庞大与趋利性导致数据质量难以保障,缺乏安全、高效且低成本的数据质量保障方法必然会降低参与用户的积极性与感知效用,难以满足物联网群智感知计算模式的安全性、高效性与合理性需求,阻碍物联网应用的发展。为解决这一问题,本文着眼于物联网群智感知数据质量保障问题,重点对数据安全保护、数据优选与数据收益分配等一系列关键技术进行了深入地研究,分别用于解决海量个人位置数据安全保护、数据选择匹配、聚类用户评估与合理收益分配问题,具体内容如下:（1）针对已有的位置安全保护方法大多依赖可信的感知平台且忽视了在不同区域下用户规模与安全需求差异性的问题,提出一种基于用户规模特征的位置安全保护方法。该方法利用边缘服务器,设计了一种用户位置安全保护框架,避免对可信感知平台的依赖,实现分布式用户位置安全保护。同时,针对不同区域的用户规模特征差异,分别提出了热门区域与偏远区域下的位置安全保护算法。在热门区域,对传统k-匿名方法进行改进,以满足大规模用户位置安全保护的高效性需求;在偏远区域,采用数据加密形式,以满足小规模用户位置安全保护的高安全性需求。最后,通过与其他传统有效的位置保护方法的对比仿真实验,验证了方法的可行性与有效性。（2）针对数据优选中忽视大规模用户的数据冗余及任务发布者的选择偏好问题,提出一种基于选择偏好特征的用户数据选择方法。该方法同时考虑了数据质量评估与感知成本选择对数据优选的影响。首先,对传统聚类方法进行改进,定义用户相似性,设置用户规模,控制用户分布平衡,实现数据冗余降低与高质量用户聚集准确性提升的目的。其次,考虑任务发布者成本选择偏好,将感知成本选择转化为多属性决策问题,结合前景理论和VIKOR方法,实现用户数据的个性化选择。最后,通过仿真实验,验证了方法的用户聚类准确性与选择多样性。（3）针对已有的数据优选方法对聚类后的用户数据采用精确值评估忽略内部用户差异并存在评估误差的问题,提出一种基于聚类用户特征的数据选择方法。首先,利用联盟发起者计算相似度形成感知用户联盟,将收集到的用户联盟数据集进行数据区间转换,准确反映内部用户差异。其次,利用相对熵并引入偏好系数,实现聚类用户数据质量评估与差异化的用户数据选择。最后,通过仿真实验,验证了内部用户差异与选择偏好对方法准确性的影响。（4）针对已有的用户收益分配方法忽视了异常用户识别与参与者学习能力的问题,提出一种基于用户学习特征的收益分配方法。该方法首先对传统演化博弈模型进行改进,结合用户学习能力,将用户收益分配问题建模为发布者—用户演化博弈模型。其次,利用消错决策理论实现异常用户的识别,通过演化稳定策略解求解与稳定性分析,得到不同条件下的用户收益选择策略,实现用户收益分配。最后,通过仿真实验,验证了方法的异常用户识别准确性与收益分配合理性。