近年来,定位技术以及基于位置应用的不断普及,给人们生活带来了极大的便利,应用提供商和研究机构也积累了大量的用户轨迹数据。轨迹数据分析对政府和企业有重要的应用价值,在交通监控、城市规划、移动性管理和营销策略等领域也有广泛的应用前景。由于轨迹本身蕴含丰富的用户属性等隐私信息,关于用户轨迹的隐私保护问题成为数据发布中的研究热点。但轨迹数据具有规模大,纬度高,背景知识丰富等特点,使得面向数据发布的轨迹隐私保护问题面临着严峻的挑战。本文主要针对大规模轨迹数据发布的轨迹隐私保护问题开展研究。首先,针对现实生活中轨迹的不确定性,引入(k,δ)-匿名模型,提出并实现用于解决轨迹匿名问题的基于时空编辑扰动的轨迹匿名算法。在此基础上,提出并实现基于分段聚类的轨迹数据发布隐私保护算法。算法中,首先,将原始轨迹数据库进行分块处理:之后,对轨迹分块中的轨迹进行基于MDL原则的特征分段;然后,对轨迹分段运用线性编辑距离函数LSTD进行聚类;最后,运用基于时空编辑的扰动技术对聚类组进行约束策略的匿名化处理。解决了传统轨迹隐私保护算法中存在的匿名组特征单一的问题,并且有效的防止了针对发布数据特征的二次聚类攻击,以及大规模轨迹数据库匿名困难,匿名数据可用性低的问题。最后,在实验部分,分别从数据质量和数据可用性两个角度,与经典NWA算法进行对比,对所提出的隐私保护算法进行性能测评。实验结果表明,基于时空编辑扰动的轨迹匿名算法,在大多数情况下具有更小的匿名成本。基于分段聚类的轨迹数据发布隐私保护算法以极小的数据质量代价,实现了对大规模轨迹数据库的匿名,极大的提高了隐私保护等级。