随着无线传感器网络的高速发展以及各种便携智能设备的普及,一种新型数据感知模式——群智感知(Mobile Crowd Sensing,MCS)迅速崛起,该模式逐步成为移动计算的核心。参与群智感知的用户通过移动互联网协作交互,形成大规模的群智感知网络。在智慧城市城市噪声感知等应用中,利用群智感知可完成大规模、环境复杂的感知任务。其中,任务分发是这种模式的重要环节。针对任务分发过程中存在感知环境复杂、参与感知的用户数量不足等问题。如何让感知用户快速、低开销的执行感知任务,是当前值得研究的重要问题。本文主要完成工作包括以下几个方面:(1)对感知用户的社交属性进行量化并以此作为用户间关联关系的度量,并为用户设定一个有效积分,在此基础上提出基于社交属性及有效用户计算的任务分发机制(Effective User Calculation,EUC)。该机制根据任务的属性筛选用户,从用户角度看,EUC考虑了用户的社会性,由用户的社交网络传递相关信息来增加平台的有效用户数;从平台的角度看,EUC可根据任务的接收和提交情况,动态调整用户的有效积分,从而保障整个系统的有效用户数。(2)对上述EUC机制中用户的历史轨迹数据进行挖掘,提出了一种基于自适应变阶 Markov 位置估计算法(Adaptive variable order Markov location estimation algorithm,AVOM)。该算法基于位置信息对应用场景进行建模,通过对感知用户执行任务的历史轨迹来挖掘出用户之间的关联关系。计算出用户在各地点执行任务的活跃度,根据活跃度的值求出用户间相似度大小,其值作为用户间关联关系的度量,并把关联度高(即相似度高)的用户划分到同一聚类中。再对Markov模型改进的基础上提出了 AVOM估计算法对关联度高的一类用户进行位置估计。实验部分基于一个真实数据集对算法的有效性进行验证。