随着移动智能终端日渐普及，以及与之相应的定位技术飞速发展，基于位置的服务已广泛融入到人们日常生活中。这类应用程序通过位置服务来获取用户的位置信息，并提供给第三方来请求相应的服务（如查询天气）。根据研究统计，人们在日常生活中所使用的应用程序，其中与位置信息相关的服务大约有80%。基于位置服务能够极大的方便人们生活和提高生活效率，但随之而来的大量用户位置信息中包含了许多敏感信息，这些敏感信息可能被不法分子获取，使得用户的隐私信息遭到泄露，尤其是家庭地址、工作地点、性取向和政治观点等隐私信息，甚至会威胁到用户的人身安全。所以，在保证人们享受位置服务带来便利的同时，保护用户的位置隐私是一个亟待解决的问题。
　　空间不可区分是一个基于差分隐私的位置隐私保护机制，即对输入为任意相距不超过给定距离的两点，该机制最后输出相同点的概率相近。这样一来，攻击者就无法从一堆相邻的位置中推断出用户的真实位置，从而保护了用户的位置隐私。然而，在保证隐私的前提下，用户总是希望所访问服务的质量损失是最小的。也就是说，如何在保护用户位置隐私的前提下，最小化用户的服务质量损失。位置隐私的隐私目标是试图将用户的真实位置或轨迹进行混淆，其隐私目标不能涵盖空间和时间信息组合的情况（即，时空事件）。尽管单个位置或轨迹的隐私模型保护了用户的位置隐私，但不能提供一定水平的时空事件隐私保护。
　　首先，针对最小化服务质量损失问题，本文基于空间不可区分隐私保护模型，给出了后置映射平面拉普拉斯机制，通过寻找到满足条件的最优映射位置点进行发布，从而改善其服务质量损失，并证明了该机制的隐私强度。其次，针对时空事件隐私保护问题，本文将只包含空间信息的位置隐私的隐私目标扩展到涵盖空间和时间信息组合的情况，并定义了η-时空事件隐私，从而给出了一个时空事件隐私保护机制，将位置隐私保护机制转换为用于时空事件隐私保护的机制。最后，在真实数据集上进行实验，验证了本文给出机制的可用性。