众包是一种分布式的计算范式,它可以整合社会中的群体智慧来完成一些计算机或非专业人员无法完成的复杂任务。共享经济社会的形成,推动了一种基于位置的众包服务应用——空间众包的出现和发展。它在便利生活、智能交通等生活领域贡献了巨大价值。空间众包中基本且核心的研究方向包括任务分配和用户隐私保护,但以往的研究大多仅关注众包任务和工人,而忽略了需要不同专业领域知识的多技能任务分配。其次,由于空间众包是基于位置的服务,需要依赖任务执行者的真实位置,平台服务器的不可信以及恶意的网络攻击者给用户位置隐私信息构成了潜在威胁。基于上述研究工作的不足,本文主要的研究内容如下:首先,提出了单任务场景下的基于多技能的复杂空间任务的分配问题,考虑技能约束、任务对工人数量细粒度的要求、工人能力限制等条件,定义最大化任务效用的优化问题。由于该问题不存在有效的最优解方法,因此提出了三种基于贪心策略的近似解算法,通过在真实和合成数据集的实验,验证了算法的有效性和正确性。其次,在上述单任务场景的研究基础上,进一步提出多任务场景下的基于多技能复杂空间任务的分配问题。因为在实际生活中,不止一个请求者发布任务,并且具有广泛专业知识或兴趣的工人可能会被多个任务需要。为了解决这个冲突,重新定义优化目标,以最大化系统的总效用。通过实验验证分析不同因素对实验结果的影响,验证了方案的可行性和正确性。最后,针对空间众包任务分配过程中用户位置隐私泄露问题,提出了满足差分隐私的隐私保护模型。该模型不需要可信第三方的介入,可以为工人提供个性化的隐私保护级别。和上述研究内容一样,为了更贴合实际应用,引入了工人和任务的技能约束,在多任务多工人场景下,提出了基于差分隐私技术的技能匹配安全任务分配问题。通过证明其是NP-hard问题,提出了基于贪心策略的任务分配算法,证明了该方案满足差分隐私保护安全。最后,在真实数据集上展开对比实验,验证了算法的有效性。