移动智能终端的普及和移动互联网及移动社交网络的迅猛发展给用户的日常生活和工作带来了极大的便利,同时也对用户的数据隐私构成了潜在的威胁。学者们已经提出了很多方法用于保护用户的隐私信息,包括k-匿名、随机化应答、随机化置换等。负调查是一种新颖的数据隐私保护方法,该方法是由信息负表示的思想启发而来的,是一种应用前景广泛的方法。已有的文献提出了负调查的模型并给出了相应的由负调查结果评估正调查结果的方法,但是还没有一种可以快速由负调查结果评估正正调查结果的方法。因此,本文首先提出了一种称作fastNStoPS的快速评估方法用于由负调查结果评估正调查结果,并基于此方法提出一种搜索最优负调查的方法。此外,负调查可以应用于保护用户的位置隐私和轨迹隐私,但是目前为止还没有文献从理论上分析和证明负调查应用于保护位置隐私和轨迹隐私的有效性。因此,本文从理论上分析并证明了单选负调查应用于保护位置隐私和轨迹隐私的有效性,并给出了在多选负调查中用户的安全路径长度。本文主要做了如下两大方面的工作：(1)本文引入了Steffensen迭代公式提出了一种称作fastNStoPS的快速方法用于由负调查结果评估正调查结果。在已有的文献中,学者们提出了两种从负调查结果评估正调查结果的方法：求逆法和迭代法。然而,当概率转换矩阵不可逆时,求逆法不可用,并且用求逆法得到的正正调查的结果中可能会含有负值,与实际情况不符；当样本数较大时,迭代法的计算成本高,不利于大规模的计算。因此,本文提出fastNStoPS,并在该方法的基础上将搜索最优负调查问题看作是一个以隐私保护度和可用性为目标的多目标优化问题,应用差分进化求解该问题,给出最优负调查的Pareto前沿。用户可以根据自身对隐私保护度和可用性的需求在该前沿上选择合适的负调查。(2)负调查可以应用于保护用户的位置隐私和轨迹隐私,但是尚未有文献从理论上分析和证明负调查应用于保护用户的位置隐私和轨迹隐私的有效性。因此,本文形式化定义了负调查中的位置隐私和轨迹隐私,从理论上分析和证明了单选负调查可以有效保护用户的位置隐私和轨迹隐私,并给出了多选负调查中用户的安全轨迹长度。本文提出了fastNStoPS用于快速从负调查结果评估正正调查结果,并基于此方法应用差分进化搜索最优负调查。实验结果证明了fastNStoPS的有效性并给出了最优负调查的Pareto前沿。此外,本文还从理论上分析和证明了单选负调查应用于保护位置信息敏感应用中的用户位置隐私和轨迹隐私的有效性,给出了多选负调查中用户的安全路径长度,用户可以根据自身对隐私保护的要求选择不同的参数。