当今社会,基于位置的服务(Location-based Service,LBS)迅猛发展并普遍应用于各种智能移动终端的APP中。LBS提供商与客户以轨迹数据为信息实体,以互联网为信息载体进行信息交互。在整个信息交互的过程中,由此产生了大量具有丰富时空信息的轨迹数据。一方面,LBS给人们的衣食住行带来了极大的方面,另一方面,伴随着LBS而来的轨迹隐私泄露问题会给用户的经济安全甚至人身安全带来巨大的损失。因此,如何有效的保护用户的轨迹隐私对LBS的进一步发展意义重大。由于无需可信第三方服务器,并且能够得到LBS提供商的精确服务以及计算开销小的优点使得假轨迹法广泛用于用户的轨迹隐私保护。研究者们提出了很多基于假轨迹法的轨迹隐私保护方案,但现有的假轨迹法仅仅考虑了轨迹的几何意义,而未考虑轨迹中隐含的人类移动模式,即生成的假轨迹与真实轨迹不在同一个时空分布。我们的实验证明了用基于神经网络的假轨迹鉴别器能很容易破解现有的假轨迹生成方案。如敌手掌握了这项技术,用户的轨迹隐私将很容易暴露。现有的假轨迹方案不能有效的保护用户的轨迹隐私,本文提出了一种基于神经网络的假轨迹生成算法。本文的主要工作包括:(1)提出基于深度学习假轨迹识别方案,构造了一些基于神经网络模型的假轨迹识别器。然后将真假轨迹投入到识别器中进行训练,用以识别传统假轨迹生成算法生成的假轨迹,以证明传统假轨迹生成算法并不能抵御基于神经网络的假轨迹鉴别器的识别攻击。(2)针对目前假轨迹的个人隐私保护方法存在的主要问题,提出了一种基于神经网络的假轨迹生成方案。该方案在传统假轨迹生成算法的基础上,加入了抗地图背景识别步骤和抗基于深度学习的鉴别器识别步骤,使得生成的假轨迹既和真实轨迹同时空分布,又不至于落在不可到达的区域。(3)通过实验仿真得出本文所提基于神经网络的假轨迹识别器能识别出96%以上的现有假轨迹生成方案生成的假轨迹,证明了现有的假轨迹生成方案并不能很好的保护用户的真实轨迹。然后用本文提出的假轨迹生成方案生成假轨迹,得出生成的假轨迹被识别率仅为16.5%。从而很好的保护了用户的轨迹隐私。