En la Crowdsensing Móvil (MCS), las tareas de percepción tienen diferentes impactos y contribuciones al sistema en su totalidad o a objetivos específicos, por lo que la importancia de las tareas es diferente. Dado que los recursos para realizar tareas suelen ser limitados, priorizar la asignación de recursos a tareas más importantes puede garantizar que los datos o información clave se recojan de manera oportuna y precisa, mejorando así la eficiencia y el rendimiento general. Por lo tanto, es muy importante considerar la importancia de las tareas en la selección y asignación de tareas de MCS. En este documento, se establece una cola de tareas, se considera la importancia de las tareas, la capacidad de los participantes para realizar tareas y la estabilidad de la cola de tareas, y se diseña un nuevo esquema de selección y asignación de tareas (TSAS) en el sistema MCS. Este esquema introduce el método de optimización de Lyapunov, que se puede utilizar para mantener dinámicamente estable la cola de tareas, equilibrar la capacidad de ejecución de los participantes y la carga del sistema, y realizar tareas más importantes en diferentes estados del sistema, incluso cuando los participantes son limitados. Además, se introduce el método Double Deep Q-Network (DDQN) para mejorar la solución tradicional del problema de optimización de Lyapunov, por lo que este esquema tiene cierta capacidad predictiva y previsión sobre el impacto de los futuros estados del sistema. Este documento también propone métodos de enmascaramiento de acciones y entrenamiento iterativo para el sistema MCS, que pueden acelerar el proceso de entrenamiento de la red neuronal en el DDQN y mejorar el efecto de entrenamiento. Los experimentos muestran que el TSAS basado en el método de optimización de Lyapunov y DDQN tiene un mejor rendimiento que otros algoritmos, considerando la estabilidad a largo plazo de la cola, el número y la importancia de las tareas a ejecutar, y el grado de congestión de las tareas.