众包技术通过招募未知工作者群体,利用群体的智慧来解决机器难以解决的问题。虽然众包近年来已经得到了广泛应用,但是众包解决问题时需要从未知工作者收集答案,使得质量控制问题成为在线众包平台面临的最大挑战。平台的工作者们可能缺乏必要的专业知识、存在偏见或者被恶意因素所驱使,因而会造成低质量甚至完全错误的众包结果。为了解决这个问题,本文提出了一种两阶段基于工作者过滤和期望最大化的质量控制算法。在第一阶段,算法利用工作者应答时间和答案冲突作为反馈,对工作者进行评价并过滤恶意工作者。在第二阶段,算法通过采样算法设定初始值,并通过期望最大化算法,估计用户质量和任务的答案,得到高质量的聚合答案。该算法解决了传统算法中隐式反馈未得到有效利用、恶意工作者影响答案质量以及期望最大化算法初始值设定等问题。尽管相关研究已经提出多种质量控制算法,但研究中缺乏统一的评价标准和评价指标。本文针对这个问题,提出了众包质量控制算法的通用评价框架,并提出了任务分配、恶意工作者比例、答案位置分布等多种评价因素。该框架分别在线平台和模拟平台中测试算法的运行效果,并结合多种评价因素和评价指标测试算法的有效性和鲁棒性。最后,论文在该评价框架下实现了基于工作者过滤和期望最大化的质量控制算法以及几种现有的对比算法,并通过大规模模拟和在线实验,验证了本文提出的算法的有效性和鲁棒性,同时还通过对比实验指出了其他算法存在的问题。