在空间众包任务分配中,为了实现最大化分配任务总数或最大化工人报酬等目标,工人被要求向众包平台发送自身的真实信息。然而其中的隐私信息存在被不可信平台泄露或滥用的风险,因此研究人员提出了许多隐私保护机制,本地化差分隐私是其中被广泛应用的一种方法。然而在一些具有特殊要求的空间众包任务中若直接套用现有的本地化差分隐私机制会造成工人数据可用性降低,任务完成质量大幅下降。针对新型场景下的隐私保护需求,本文基于本地化差分隐私方法进行相关优化工作,显著提升任务完成的质量。本文的主要工作如下:（1）本文针对多样性众包任务提出一种创新的差分隐私机制。该方法可以在为工人属性提供隐私保护的前提下有效选取种类属性多样化的工人子集。此外还提出通过两轮本地化差分隐私机制优化属性分布不均衡情况下选取结果多样性的方法。在合成数据集与真实数据集上的实验证明了方法的有效性。（2）本文针对空间众包中的工人最大覆盖任务设计隐私保护方法。该方法使用地理不可区分性扰动机制保护工人位置隐私,并基于该扰动方法的局部性特点设计真实分布估计方法。随后通过预算型最大覆盖贪心算法确定最优覆盖位置并雇佣距离最近的工人。在合成数据集与真实数据集上的实验证明了方法的有效性。（3）本文针对多平台合作工人位置发布设计满足地理不可区分性的扰动方法。该方法根据不同平台工人的真实分布挑选特征位置,汇总特征位置并构造四叉树,设计基于四叉树的随机游走位置扰动方法并证明其满足地理不可区分性。在合成数据集与真实数据集上的实验证明了方法的有效性。