智能感知、多层次通信网络和边缘计算技术的快速发展和具备定位感知能力移动设备的广泛普及,为细粒度时空数据的采集、传输与分析提供了强有力的技术支撑。基于位置应用的服务提供商不断地收集和分析个人时空数据,用于改善自身服务质量并为用户提供个性化服务。然而个人时空数据与日常活动密切相关,很容易被用于推断出工作地点、私人住址和行为活动等。时空数据的高度敏感特性,使得时空数据收集聚合过程带来比较凸显的隐私问题。如何在保护个人时空数据隐私的同时满足服务提供商获取有价值信息的需求将面临巨大挑战。近年来,本地化差分隐私正逐渐成为数据聚合的隐私保护标准技术。传统的中心差分隐私通常应用于聚合数据的隐私发布,其通过与密码学技术相结合实现分布式差分隐私从而用于数据的隐私聚合。与传统基于密码学的安全多方计算方法一样,分布式差分隐私也会导致过高资源开销和复杂系统结构。本地化差分隐私是一种严格、可证明且资源开销低的实践型隐私保护技术,其无需假设数据收集者可信且不依赖可信第三方参与。该技术已经被谷歌、苹果和微软等科技公司大量实践部署。本地化差分隐私的数据聚合研究已经积累了比较多研究成果,然而对于样本数量（参与用户）不稳定以及具有时间和空间相关性的时空数据等缺乏研究,因此本文考虑从小样本场景下的空间位置数据隐私聚合、时空数据隐私聚合以及时空无限流数据隐私聚合三个方面进行研究。本地化差分隐私的数据聚合是一种严重依赖样本数据量的方法。参与用户较少,如群智感知招募的参与用户数量不多,导致样本数量不足从而降低统计分布可用性。为保证本地差分隐私分布估计的统计可用性,本文利用基于k-Subset机制和迭代贝叶斯技术的贝叶斯多伪随机技术拓展设计了隐私空间位置聚合协议（Private Location Aggregation Protocol,PLAP）。然而,大隐私安全域下PLAP会带来比较大的通信开销以及真实场景下参与用户存在个性化隐私需求。对此,本文利用PLAP和空间层次分类背景知识分别设计并实现了通信效率优先的空间位置数据聚合方法和满足个性化隐私需求的隐私优先的空间位置数据聚合方法。实验评估结果表明,本文所提出的两种空间位置聚合方法相比于现有方法在可用性方面都有较大提升。在本地化差分隐私数据聚合研究中,现有差分隐私保护数据聚合分析方法对具有时间相关性和空间相似性的时空数据缺乏足够探讨并面临隐私泄露风险。传统本地化差分隐私定义无法捕获时空数据的时间相关性,易遭受关联推理攻击。针对这一问题,本文提出一种适用于时空数据的事件级本地化差分隐私定义,（ε,δ）-LDP。以此为理论基础并结合时空数据的时间相关性,提出一种基于隐马尔可夫模型（HMM）和广义随机响应的满足,（ε,δ）-LDP隐私保护时空数据本地扰动算法,并基于该算法设计时空数据隐私聚合方法。所提出算法能够抵御关联推理攻击以防止隐私泄露。理论和实验方面结果表明所提出的方法具有良好聚合可用性。时空数据无时不刻都在源源不断地产生,迫切需要设计面向时空无限流数据的本地化差分隐私数据聚合方法。现有定义并未考虑时间和空间特征的相关性,针对这一问题,考虑聚类具有能够捕获特征相关性以及w-事件隐私具有捕获无限流数据的优点,本文提出了一种基于聚类的窗口级本地化差分隐私定义,（w,ε）-CLDP。以此为理论基础并结合1-bit随机响应和广义随机响应机制,提出一种基于空间聚类的满足,（w,ε）-CLDP窗口级本地化差分隐私扰动算法。在此算法基础上,利用类似于BD和BA的隐私预算分配策略设计了LBD和LBA两种本地扰动算法及其对应的时空无限流数据隐私聚合方法。实验评估结果表明,本文所提出的基于LBD方法受限于不同系统下的可用性波动比较大,但是整体上相比于隐私预算均匀分配方法略优,基于LBA方法则能够实现最优聚合可用性。