在移动群智感知(Mobile Crowd Sensing,MCS)系统中,任务分配是系统提供高效可靠感知服务必不可少的过程之一。然而,在大量并发的任务场景中,参与者动态变化的状态与任务特征多样化之间的准确匹配比较困难;同时,任务请求者对数据的可信度要求比较高。此外,在任务分配过程中,用户数量巨大,并且缺乏执行特定任务的相关先验知识,这将降低参与者的搜索效率和匹配准确率,进而影响数据的可信度。因此,设计一种高效的任务分配策略,以提升任务完成率、数据可信度及平台收益是非常有意义的。本文论述了MCS网络的研究背景、意义和现状;然后列出了现有的任务分配研究中存在的主要挑战,重点关注了任务分配中的数据质量问题,并具体介绍了任务分配的研究现状。提出了一种带有服务效益感知的MCS多任务分配策略。结合感知积极性、任务难度、感知能力以及任务历史四个因素,构建参与者的服务效益模型;采用改进的模糊聚类方法将用户根据其对任务的偏好相似性聚类,以缩小参与者搜索范围;通过基于梯度下降算法的迭代过程,快速地为每类任务匹配服务效益最高的参与者。结果表明,所提策略能有效降低算法的迭代次数,提高了任务的完成率。提出了一种边缘协助的质量感知任务分配机制。依据MCS数据特征,在云端构建数据有效性和数据时空相关性两个质量指标的评估模型,以确定预选参与者集合;在边缘服务器端获取当前预选参与者的瞬时状态信息,以评估其服务能力;根据感知数据的时空相关性质量指标比较结果,判断是否在云端招募新的用户参与感知任务,用来补充边缘服务器端参与者资源,并采用多臂赌博机(Multi-Armed Bandit,MAB)中的汤普森采样算法选择服务能力强的参与者,从而提高数据质量的合格率。结果表明,所提机制提高了感知数据的质量和平台效益。