群智感知应用招募携带移动设备的普通用户参与感知任务,收集感知数据,以完成大规模的、复杂的社会感知任务。对于参与任务的用户来说,考虑到收集处理数据的手机资源消耗和上传数据的流量消耗,很少用户愿意无偿参与。而对于感知平台来说,大量用户的参与是完成任务的基础。因此,设计合理的激励方法鼓励他们参与是十分必要的。但由于传感器质量、用户行为等因素会影响用户的感知任务完成质量,因此面对拥有不同感知质量的用户,激励方法不但要保证用户获得科学的报酬,还要能以尽量小的支出募集到能够高质量完成感知任务、提供高质量感知数据的用户。传统用于群智感知的离线激励方法虽然会考虑每个参与用户的任务完成质量,但是忽视了收集数据的边际效应的影响;而在线激励方法虽然能够解决用户动态到达的问题,但并不能兼顾用户的感知任务完成质量。本文围绕群智感知应用的激励问题,利用博弈论设计了两种基于感知质量的激励方法,在考虑感知质量的基础上挑选用户,同时保证方法具有个体理性、可信性和计算高效的特性。完成的研究工作如下:1.离线条件下的激励方法。我们在离线条件下的激励方法中提出了通过计算整个感知群体的感知质量来计算用户对数据收集产生的边际质量分数,对传统单参数可信模型进行了改进,使之适用于群智感知应用离线条件下的双参数情境,在此基础上提出了结果接近最优但运行时间更短的激励方法QIM。2.在线条件下的激励方法。这种条件下的激励方法可以解决用户动态到达的问题,我们希望不参考用户的历史感知质量信息对新加入的用户依然可以做出是否招募的判断。因此,我们使用了期望感知质量这一随机变量,设计了可信的激励方法QOIM。3.使用旧金山出租车的移动轨迹数据集将QIM与另外两种对比方法进行了对比仿真实验;使用达特茅斯大学移动轨迹的数据集将QOIM与另两种方法进行了对比仿真实验;最后从理论上对QIM与QOIM进行了对比,分析了各自优劣。