随着互联网、移动互联网、物联网等相关技术的发展,各个行业的数据量飞速增长,人们急需一种有效的手段充分挖掘海量数据背后所蕴含的价值。群智和众包的出现为解决这个问题提供了更多的可能。为了更有效地管理任务,国内外纷纷涌现不少众包平台,如Amazon的Mechanical Turk、网易的有道众包等。用户可以方便地发布及接受各种各样的任务。然而由于工人的行为具有不确定性,平台方无法直接将任务随机地交付给工人执行,因此必须对任务和工人构建合理的量化模型以实现精准的任务分配。与此同时,越来越多的用户参与到空间众包应用当中,用户规模与日俱增。为了降低海量用户数据的维护成本并提高服务等级协议,各个众包服务商使用云来进行有效的数据存储和管理。但是考虑到在实际的空间众包应用场景中,大规模、广域分布的工人和海量非结构化数据的限制,仅仅使用单云很难提供经济可靠的数据存储服务,并且还存在供应商锁定、隐私安全等风险。因此如何在多云环境下结合空间众包的特点和需求给出有效的数据放置方案是一个亟待解决的挑战。因此,本文根据上述问题,针对如何面向众包平台进行合理的任务分配以及在多云环境下经济有效的管理空间众包数据展开了以下研究:（1）面向众包市场的基于适应度的任务分配。本文以图片分类任务作为切入点,针对众包市场中知识获取任务的主动分配展开了研究。通过引入Word Net外部知识库确定任务的难度,同时参考电子竞技排位赛机制运用动态更新策略对工人的能力进行实时评估。在此基础上使用带惩罚因子的加权欧式距离计算适应度,以此来衡量任务与工人之间的契合程度,并最终利用Kuhn-Munkres（KM）算法对模型进行求解,以实现将具有不同难度的任务分配给与其能力相匹配的工人,从而提升任务的整体完成质量。（2）多云环境下空间众包数据的优化放置研究。本文研究了在多云环境下为广域分布的空间众包数据寻求有效放置方案的问题,以尽可能地降低成本和访问延迟。本文充分考虑了云服务提供商采用的区间定价策略,借助DBSCAN密度聚类算法分析了数据中心的地理分布特征,并在此基础上提出一种有效的数据初始化放置策略,最后利用改进的遗传算法对结果进行了进一步的优化。（3）众包解决方案服务平台的设计与实现。基于上述面向众包平台的任务分配以及多云环境下空间众包数据的优化存储研究,本文从众包服务提供商的角度构造了基于Web的一站式众包解决方案服务平台。该平台主要包含众包任务分配、空间众包数据可视化存储等功能,为众包服务提供商进行合理的任务分配以及经济高效的用户数据管理提供了理论支撑和技术验证,具有一定的应用价值。