随着互联网技术的不断进步,人们的日常生活迈进了大数据时代,位置大数据服务应用不断更新,用户轨迹数据不断被发布出去,研究人员通过分析和挖掘可以持续为用户提供更便捷的服务,例如兴趣点个性化推荐、好友社交空间位置分享等,同时相关研究机构也可以利用这些位置数据进行数据挖掘,推动大数据服务进一步发展。但轨迹数据中通常包含用户的个人敏感信息,用户虽然可以享受位置服务带来的便利,但也不可避免地承担着个人隐私泄露的风险,例如攻击者可以根据用户轨迹中的位置点推测出被攻击者的身体健康状况、家庭住址等;通过查询用户对某些兴趣位置点的访问频率,推测被攻击者的个性偏好和经济状况等。因此如何在保证轨迹数据可用性的同时降低用户隐私泄露风险成为数据挖掘领域热点问题。针对这一问题,本文对位置服务数据发布过程中的隐私保护开展了如下研究:（1）对位置服务中轨迹数据隐私保护的必要性进行说明,介绍了隐私保护衡量标准,分析并概括了当前常用的轨迹数据隐私保护方法,对差分隐私的定义及其实现机制以及基于背景知识的攻击方式进行阐述。（2）针对静态轨迹数据隐私保护发布过程中的数据损失现象,提出一种融合信息增益的语义泛化轨迹数据发布算法,解决当前泛化数据发布机制中易出现分类错误导致泛化不当、造成资源浪费的问题。该算法的主要内容包括:在轨迹数据发布中引入信息增益可用性函数;利用信息增益可用性函数精准确定语义泛化树分裂节点,合理建立语义泛化树;根据用户对隐私保护程度的不同要求合理设定语义泛化距离,实现语义泛化以保护用户隐私信息安全。通过实验验证,该算法可以有效减少由于分类泛化不当造成的数据损失,满足提高用户隐私安全性和数据可用性的要求。（3）针对动态轨迹数据隐私保护发布过程中的用户隐私泄露现象,提出一种基于局部抑制的差分隐私轨迹数据发布算法,改善当前抑制数据隐私保护发布方法中数据大量损失以及用户隐私安全性低的问题。该算法的主要内容包括:在轨迹数据发布过程中隐私引入差分隐私保护机制;在局部抑制过程中,通过计算抑制点的优先级得分,不断更新最小违反序列集,使其满足LKC-隐私模型的同时达到降低频繁序列损失率的目的;根据更新后的轨迹数据集建立分类树,合理分配隐私预算并对数据加噪声,确保数据发布后具有较好的隐私性。实验结果表明,该算法可以有效减少抑制过度导致的序列损失,确保发布的数据具有较高的可用价值,同时有效提高了轨迹数据发布后的安全性。