随着科技的进步与发展,智能移动设备在人们的生活中得到广泛的普及,利用这些智能移动设备来收集各种数据资源被称为移动群智感知。用户招募是移动群智感知中基础的一环,所招募用户的可靠性往往决定任务完成的好坏。现有的用户招募方法大多是针对两层结构设计的,即云平台-用户。然而随着数据量的增长,云平台面临的计算和存储压力与日俱增,导致用于数据传输和数据处理的成本也急剧上升。得益于移动边缘计算的发展,为上述问题带来新的解决方案。本文研究基于边缘辅助的移动群智感知用户招募。具体来说,本文考虑两种场景下的用户招募问题:一个是长感知周期任务中的用户招募,另一个是短感知周期任务中的用户招募。长感知周期任务的用户招募中,感知任务持续时间较长,并且数据与时间关联小。此外,用户是动态变化的,用户可能在任务任意时间内到达或者离开。首先,本文考虑简单的离线场景,仅进行一次用户招募,并提出一种基于边缘节点静态用户招募算法（ENUR）。然后,本文考虑在线场景,提出基于边缘节点预算重分配的用户招募算法（BRD-ENUR）,云平台根据不同边缘节点的任务完成率动态地重新分配预算。最后证明本文提出算法的真实性、个体合理性、计算效率和预算可行性。短感知周期任务的用户招募中,感知任务一般持续时间相对较短,并且数据与时间紧密关联,长感知周期的方法不再适用。本文将整个感知周期划分为多个轮次,在每一轮中,边缘节点都需要重新招募个用户以保证任务的完成。本文将这一用户招募过程建模成组合多臂赌博机问题,边缘节点需要在继续选择前面表现好的用户或探索新的用户之间做出抉择。由此,本文提出一种基于组合多臂赌博机的边缘节点用户招募算法（EN-URMB）,并证明其可以实现一个常数的后悔值。最后,在真实的数据集上,本文对提出的算法进行仿真实验。实验结果表明本文提出的BRD-ENUR算法在长感知周期任务场景中具有高效性和有效性,可以起到补充用户来提高任务完成率。而在短感知周期任务场景中,EN-URMB算法可以帮助边缘节点选择出适合参与任务的用户,同样具有高效性和有效性。