任务分配是众包应用中的关键环节。良好的任务分配机制在提高任务完成率,提升任务质量,提高工人的参与率等方面具有重要的作用。目前离线场景下的任务分配算法主要关注的问题是如何在截止日期之前完成并使得成本最小化,但是较少关注到工人的公平性和任务之间的先后次序约束。针对离线场景下的不足,本文提出了在任务有先后次序约束条件下的兼顾公平性和成本的有序离线任务分配算法。现有的在线任务分配研究中,阈值往往只是通过分析历史数据得出,很少考虑到历史数据和实时数据之间的偏差。针对在线场景下的不足,本文提出了结合历史数据和实时数据的面向效用优化的动态阈值在线任务分配算法。本文主要的研究内容包括以下两个方面:（1）兼顾公平性和成本的有序离线任务分配算法针对离线分配场景下的有序任务分配问题,本文提出了一种既保护工人公平性又减少成本的算法——兼顾公平性和成本的有序离线任务分配算法。该算法改进了蒙特卡洛树搜索算法,它包括选择阶段、扩展阶段、模拟阶段、回溯阶段等四个阶段。该算法在扩展阶段和模拟阶段中与保护工人公平性算法相结合,以保证工人完成任务工作量的最大差值不超过系统设定的公平性数值;在模拟阶段中与优化成本算法相结合,主要优化算法时间成本和任务成本。实验结果表明本文提出的兼顾公平性和成本的有序离线任务分配算法能够在保证工人公平性的同时有效减少成本。（2）面向效用优化的动态阈值在线任务分配算法针对在线分配场景下的工人和任务动态到达的任务分配问题,本文提出了一种面向效用优化的动态阈值在线任务分配算法。该算法由效用阈值建模和动态任务分配两阶段组成。效用阈值建模阶段首先在给定的历史采样区间段内使用多重采样算法计算产生最大效用的效用阈值,然后通过BP神经网络进行曲线拟合得到效用阈值曲线。动态任务分配阶段首先计算历史数据和实时数据之间的相似度并且通过相似度计算动态分配阈值;然后对随机到达的任务和工人,计算其产生的效用,如果效用大于分配阈值,则任务成功分配给工人,否则任务分配失败。该算法在一定程度上平滑了实时数据和历史数据之间的偏差达到了效用优化的目标。实验结果表明该算法具有较高的时间效率,在任务整体效用方面平均提升约14%。