随着社会各方面的不断进步和城市化步伐加速,传统的城市管理方案已不能有效应对人口增长带来的一系列问题。要探索新的发展模式,城市必须采用新的技术。而今智能终端、车载GPS等感知设备的普及和数字化平台的应用都推动新型智慧城市的发展。以数据为驱动的智能城市,其各个技术都以海量的城市数据作为其核心支撑,因此城市数据的感知和获取技术是众多功能实现的重要基础。群智感知集群体智慧完成城市大规模的感知任务,是新一代的智能网络,如何在减少收集成本的同时获得高质的城市数据是其领域下的一研究重点。对于城市交通流量数据,利用其预测城市交通状况、人口密度以优化城市服务和公共安全,也是城市功能实现的重要一环。然所收集数据的缺失问题层出不穷,为了精确获得完整数据并提取更多有价值信息,如何高质高效补全缺失数据的这一问题也亟待解决。为此,本文在数据的收集和缺失数据补全上分别进行了以下研究:（1）.提出一个基于移动群智感知的分布式压缩数据收集框架。当参与者移动到一些监测点收集数据时,在监测地点的移动则类似WSNs中在节点间随机游走进行数据的收集。参与者的运动本质上是随机的、跨时空的移动,他们将一个地点的数据带往另一地点,其轨迹实际上为传感任务提供了有价值的随机覆盖,从某种意义上讲,其轨迹可以完全覆盖目标区域。在本课题中,提出一个基于压缩感知的分布式编码算法。首先模拟参与者的移动轨迹,通过轨迹位置获取参与者各自的测量向量,多个参与者轨迹则可得到一个二值测量矩阵,每个参与者在目标区域一段时段内收集到的感知数据都将压缩为一个测量值。利用测量矩阵和测量值通过BAMP迭代算法重构出原始数据。为了提高数据的重构质量,利用数据间的时间相关性进一步提出了一种基于多轮的数据恢复算法。实验结果表明,相较已有收集方法,在不同解码率下,第三章所提出的方案能够获得更好的数据质量。（2）.提出一个基于人群流量预测模型的缺失数据补全模型。人群流量是一种典型的交通数据,具有时空依赖属性,且受外部环境因素的影响而呈现一定规律的动态变化。具有强特征表达的深度学习能全面刻画上述影响属性和因素,所以本文基于深度学习对缺失的人群流量进行补全。该络方法包含两个网络,将预测网络STRes Net和补全网络结合到一起进行训练。首先预先训练STRes Net网络,然后根据掩码矩阵,用预测出来的t时刻流量值对t时刻的缺失数据进行初步补全,再将初始补全的数据再输入补全网络训练。此时冻结预测网络,只对补全网络的权重参数进行更新。最后再对两个网络联合训练,更新整个网络的参数。用预测值初始补全使得缺失数据在分布上更接近真实数据,有利于网络学习和收敛。实验表明,第四章所提出的人群流量补全方法的结果要优于已有的补全方法,且预测和补全网络联合训练能进一步提高数据的预测和补全精度。