当前,伴随着智能手机、平板和智能可穿戴设备等移动智能设备集成了越来越多的传感器,其拥有了越来越强大的计算、感知以及存储等能力,随之产生一种将众包思想与移动感知相结合,以获取周围环境数据的新型感知方式,称为移动群智感知(Mobile Crowd Sensing,MCS)。在MCS中,需要大量参与者收集感知数据,从而获得感知结果。然而,参与者的行为方式、移动性等因素带有一定的社会性,导致参与者之间的数据质量和数据覆盖率不尽相同,因此,设计数据优化策略以保证感知结果的准确性、实时性和信息全面性成为一个亟待解决的问题。首先,本文介绍MCS的研究背景,然后根据数据优化的目标不同,对数据质量优化和数据覆盖率优化问题所面临的挑战进行了分析,并介绍了典型的MCS数据优化方法。其次,针对数据质量优化问题,本文提出一种基于信誉度感知的数据质量优化策略,通过评估参与者的直接信誉度和间接信誉度确定综合信誉度,以此分析参与者历史交互行为和历史协作行为的可靠性,进而选择接收综合信誉度较高参与者的感知数据以保证感知结果的准确性。此外,由于参与者受自身属性、社会行为方式等因素的影响,还需评估所接收数据的质量,并动态更新参与者当前信誉度,从而根据质量较高的数据项和参与者当前信誉度优化感知结果。最后,针对数据覆盖率优化问题,在感知任务具有较高实时性要求的场景下,本文提出基于服务质量感知的数据覆盖率优化策略。通过参与者的意愿度和区域偏好确定服务质量,以此分析数据的实时有效性。同时,根据参与者在执行感知任务过程中所覆盖的目标点数量评估数据的覆盖率。进而,在平台预算有限的情况下,通过服务质量和数据覆盖率确定参与者的效率,并采用迭代式的贪心算法选择效率最高参与者集合的感知数据,从而最大化数据的覆盖率、保证数据的实时有效性。综上,本文从数据质量优化和数据覆盖率优化两个方面提出相应的模型和方法,并通过理论分析和数值结果分析来验证它们的有效性,为MCS的数据优化提供了理论依据,具有一定的参考价值。