近年来,伴随着配备各类丰富传感器的智能手机等个人手持设备的普及,以及无线传感器网络和移动计算技术的飞速发展,利用移动用户携带的具有多源感知能力的设备到达任务的目标区域完成感知数据的采集,有着广阔的应用前景。移动群智感知已悄然成为推动城市感知应用的一种极具前景的新模式。在整个移动群智感知的过程中,要经历任务的分发、感知数据的收集以及数据分析三个主要过程,其中的两个过程均需任务的服务者参与,而最后一个过程的数据也是由参与者贡献的,所以对于移动群智感知来说,任务的参与者有着不可或缺的价值地位。对于大多数的移动群智感知应用来说,平台针对于每个感知任务的预算有限,那么如何去选择一组参与者,使其既能够保证感知任务的完成质量又能控制平台所花费的成本,便成为移动群智感知所面临的挑战。为此,本文对基于感知任务区域的参与者选择方法进行了深入研究。考虑到城市中的感知任务大都是基于位置的,且其目标区域多数分布在人们经常访问的热点区域,那么将任务区域对应匹配到城市中的热点区域便是首要问题。目前,大多数的热点提取方法都基于单处理机模式,对于大规模的轨迹数据其处理时间较长,难以满足对时效有较高要求的感知任务。因此本研究首先提出了一种基于分布式并行聚类的热点区域提取方法。本方法首先将平台中所有用户的轨迹数据集合抽象在一个矩形区域内,通过该矩形最长维度的变换将数据合理地划分为若干任务量相当的分区,构建可供分布式并行聚类的局部数据集,然后各工作服务器对局部分区分别执行DBSCAN聚类算法,最后管理服务器对局部聚类结果进行整合。实验表明本方法能高效的提取出城市中的热点区域,且在一定程度上提高了聚类分析的速率。群智感知平台中有大量的移动用户分散在城市的各个角落,然而只有在线用户能接收到平台的感知任务,为了充分利用平台中的各类用户资源,本文提出了一种基于任务区域协作覆盖的参与者选择方法,利用在线与非在线用户的相遇机会协作完成同一感知任务。本方法首先利用用户历史移动轨迹的上下文语义关系,预测出用户未来的位置数据,在此基础上,计算用户到达任务区域的概率及用户间的相遇概率,最终根据用户完成任务的能力进行参与者选择。通过实验分析,本方法在预算一定的前提下,可以最大化参与者人数,保障了感知任务目标区域的覆盖质量。