随着微电子技术、通信技术以及移动应用的发展，智能移动设备近年来得到前所未有的高速发展，已经成为用户随身携带的必需品而成为日常生活中不可或缺的一部分。为了取得功能和新奇用户体验方面的竞争优势，各种原本用于行业领域的各种传感器，随着智能手机生产商之间日益激烈的竞争而越来越多的被嵌入到移动设备上。这些传感器产生了海量的情景数据，为研究者深入探索情景数据在城市环境下的潜在价值、开发全新的移动应用和服务带来了新的挑战和机遇。近年来，针对城市计算的情景感知研究方兴未艾，在产业界和学术界均受到广泛的重视。基于以上研究背景，本文结合城市环境下移动传感器所捕获数据的特征，利用城市中用户的移动规律，针对移动事件感知、移动用户行为理解、移动数据分发在城市计算中的数据挖掘和建模问题展开了一系列的探索性研究。在移动多重传感器事件检测、稀疏数据下个性化偏好挖掘和推荐、以及移动热点数据分发三个方面，分别利用了基站的部署规律和运动传感器数据的输出特征、多人情景日志和主题模型、用户移动规律和数据分发特性，提出了融合多重情景特征的最大熵模型、基于多用户情景数据的情景感知的个性化偏好模型、以及基于本地通信的移动数据分发模型。具体而言，本文的主要工作和贡献包括:　　第一，针对定位基础设施匮乏情况下的地铁乘客到站检测问题，利用乘客携带的移动设备所捕获的多重情景信息，提出了一种基于最大熵的新型地铁到站检测模型。具体来说，首先针对移动设备上3D加速度传感器和GSM传感器的观测量特性，提取出多种地铁到站相关的情景特征，并研究了这些情景特征与地铁到站之间的关联关系。进一步地，构建了一种基于最大熵的地铁到站检测模型，并通过学习情景特征和地铁到站之间的关联特性对该模型的关键参数进行了优化。最后，基于两条北京地铁线路的真实数据集验证了所提出模型的高性能。　　第二，为了提供个性化的移动情景感知推荐服务，针对情景日志记录稀疏、缺乏用户评分以及单用户情景日志数据量过少等问题，设计了一个基于多移动用户日志数据的情景感知的个性化偏好模型。具体地，首先分析了移动设备上的丰富情景日志得到移动用户的情景键值对，提出了使用情景键值对来构建概率主题模型，并在此基础上建立了情景数据和用户行为的关系。接下来，利用多个用户的情景日志挖掘出情景感知共享偏好集，并通过为每个用户挖掘出其在情景感知共享偏好集上的概率分布构建了一种融合多人情景日志的个性化偏好模型。最后，在基于443个移动用户连续多月的真实日志数据集上进行了实验验证，结果显示本文所提出的模型能够更好地为移动用户进行情景感知的个性化推荐。　　最后，针对城市环境下人流热点区域的蜂窝通信网络过载现象，结合不同内容的用户兴趣度和不同用户（粉丝）的社会影响力及其可用资源等特性，利用移动设备之间的本地直接无线传输能力，构建了基于超级粉丝节点的本地数据分发模型和结合情景信息和节点资源的超级粉丝节点选择优化算法。具体来说，首先，分析了蓝牙、WiFi Direct和5G D2D这三种近距离通信方式的特性，并研究了单个地理区域内的密集数据请求的特性;其次，利用移动设备的近距离通信能力，综合考虑移动用户间位置临近特性、移动用户的行为特征和设备剩余能量等级等情景信息，设计了一个基于多因素约束和超级粉丝的本地数据分发模型，并基于该数据分发模型设计了三种超级粉丝选择算法。仿真结果显示所设计的数据分发模型和超级粉丝选择算法可以获得高达90％的移动数据卸载效果。