目前,各种移动定位设备在人们的日常生活中无处不见。然而在使用这些设备的过程中,生成的轨迹数据也被第三方服务器悄悄地收集着。这些轨迹数据包含着用户丰富的个人信息,如若这些数据在未经处理的情况下直接发布,则会泄露用户的个人隐私。目前移动对象轨迹隐私保护的热点话题包括:数据可用性、隐私模型、用户个性化。通过对热点话题的研究与分析,本文分别针对这三个方面提出了不同的轨迹隐私保护方法:(1)针对轨迹匿名后的质量问题,本文从轨迹数据的高可用性出发,提出了一种基于频繁路径的轨迹隐私保护方法TOPF。该方法首先定义了一套新的频繁路径的比较规则;然后在遵循路网约束的条件下,利用频繁路径构成了k-匿名轨迹组;最终从轨迹组内的前f个频繁轨迹中选择组内相似度最高的那条轨迹作为该组的代表轨迹发布出去。在相同条件下,与现有经典算法进行的对比,实验结果表明,TOPF方法不仅有效地保护了用户的隐私,而且确保了数据的可用性。(2)针对目前隐私模型依赖于攻击者背景知识的问题,本文在R树的基础上提出了满足差分隐私的序列R(Sequence R,SR)-树结构,采用轨迹序列代替R树中最小边界矩形结构的方法来构建SR-树;其次,本文还提出了一种非位置敏感信息攻击模型,因此在构建噪音SR-树时,为了抵御攻击,运用差分隐私技术分别对位置数据和非位置敏感数据添加噪音;最后针对添加噪音后可能出现数据不一致的问题,对算法进行一致性处理。实验结果表明,本文的算法不仅具有较高的数据可用率、运行效率,而且还具有较好的可伸缩性。(3)针对用户对隐私需求不一致的问题,本文提出了一套改进的轨迹隐私保护模型,该模型有五个参数,分别为短期位置暴露概率、长期轨迹暴露概率、轨迹偏移距离、轨迹局部相似度和服务请求概率,用户可以通过自己的需求调节这些参数以满足自身的要求;其次,本文还为这套隐私模型设计了一种假轨迹生成算法,保证了用户的隐私。实验结果表明,本文的方法不仅高效地保护了用户的个人隐私,还可满足个性化需求。