随着物联网的发展与智能终端的普及,智能手机、智能手表、智能手环等内置了各式各样传感器的智能设备在我们的生活中不断涌现。在监测设备运动状态的同时,这类传感器还能反映出用户的交互、设备所处的环境等。基于这些传感器,开发者为人们带来了诸多类似运动检测与计量、游戏控制、抬腕亮屏、跌倒检测等实用功能。由于这类传感器往往具有精度高、耗能低、体积小等特点,它们不断被集成在各种可穿戴设备中。然而,得益于机器学习算法的日益强大,使用看似无害的运动传感器数据来进行人类行为识别的研究正受到越来越多的关注。长期以来,由于这类传感器数据普遍被认为是非敏感数据,人们忽视了这些数据可能带来的隐私泄露问题。不同于麦克风、摄像头、GPS等功能必须经过用户授权才能使用,各大主流的移动智能终端操作系统并没有对包括加速度计在内的运动传感器数据的获取进行过多限制。而多项研究表明,通过处理传感器数据,别有用心的开发者可以实现在用户无感的情况下推断出用户的职业、生活作息、运动轨迹等各种敏感信息,并进一步建立用户画像。在用户不知情的情况下,自身的隐私安全已面临极大的威胁。而出于对应用程序正常提供服务的需要,用户同样将陷入两难。针对这个问题,本文通过研究真实人类活动数据集,主要针对运动传感器提出了一种拟真的传感器数据生成关键技术。利用该技术生成拟真的传感器数据,并对目标应用程序读取的数据进行实时替换以避免单纯禁止其读取数据或传递随机数据导致应用程序异常,而被动或主动拒绝服务。同时,以Android平台为例,实现了可针对不同应用程序个性化配置的传感器数据隐私保护系统。具体来说,本文的主要工作分为以下几个方面:（1）本文提出了一种多因素结合的时序数据距离度量算法,用于在真实的人类活动数据集上进行数据挖掘,其目的在于探究其中人口统计学特征与不同人群的日常活动序列的关系进而提取代表性的特征作为用户画像结构;（2）在所提取的画像结构的基础上,本文提出了一种时间相关的概率自动机用于根据不同画像产生对应拟真的活动数据,同时提出了一种基于拉普拉斯机制的移动终端传感器数据加扰方法用于将文本型的活动序列数据转换为应用于传感器的数值型数据;（3）根据以上所提出的方案,本文面向Android平台构建并实现了一种智能终端传感器数据隐私保护系统,该系统可以监管不同应用程序对传感器的访问行为。更重要的,以加速度计为例,该系统允许用户在不同场景下针对不同应用程序使用预设的保护策略以将目标应用程序所读取的真实的传感器数据实时替换为拟真的合成数据从而保障隐私安全。经过测试和评估,结果表明,上述系统与方案在仅引入较低的计算与通信开销的情况下达到了设计目标。