随着内置丰富传感器的移动设备的普及,移动群体感知（MCS）成为一种流行的分布式数据收集和处理模式,已被应用于多种领域。当拥有大量的有效工人时,MCS才能更好地提供便利服务。因此,工人选择是MCS的基础,而激励工人参与的设计与覆盖未来任务的保证是两种不同的工人选择需求。对于激励工人参与的场景,现有研究面临以下挑战:1)难以同时保护工人和任务的位置隐私,2)由于隐私与效用的相互制约,缺乏一个既保护双边隐私又激励工人参与的工人选择方案,3)保证双边位置隐私的激励方法设计也应当满足激励的理想性质。基于任务未来覆盖场景的工人选择旨在选择一组未来覆盖任务的工人,现有研究面临以下挑战:1)难以同时保护工人和任务的时空隐私,2)缺乏不影响移动预测效果的隐私保护方法,3)直接满足异构感知任务未来时空覆盖要求比较困难。针对上述两种工人选择需求场景所面临的问题,本文设计了两个移动群体感知中保护双边隐私的工人选择方案:1)针对工人选择中工人参与动力不足的问题、工人自私求利的特点和隐私保护的需求,本文提出双边隐私保护和诚实激励的工人选择方案。首先,采用了基于逆向拍卖的工人选择模型,其中利用差分隐私指数机制作为保护位置隐私的关键技术。然后设计了近似最低成本赢家选择算法（PCWS）来确定赢家,其目的是在保证任务质量要求和位置约束的前提下,近似最小化社会成本,最后采用临界报酬决策算法（CADM）来确定给予赢家的报酬。理论分析和实验表明了方案的有效性。2)针对工人选择中时空属性任务的未来覆盖需求和隐私保护的需求,本文提出双边隐私保护和移动性预测的工人选择方案。首先,使用泊松预测来计算工人对任务的覆盖概率。然后,设计一个覆盖效用函数将覆盖约束问题描述为子模优化模型,并相应地提出了一种有效的贪婪启发式近似解决算法。为解决移动性预测中时空信息的泄露问题,本文还提出基于变色龙哈希加密技术的双边隐私保护方法,由于方法的可编辑特性,可以注入混淆数据来防止更强的攻击手段,而且加密方案不会影响移动预测效果。最后,理论分析和实验显示了方案的有效性。