随着GPS技术的广泛应用及近些年来人们对健康的追求,用户习惯用各种运动软件记录自己的运动或活动数据,并基于社交平台可一键分享运动数据到朋友圈、微博等。各种软件则收集带有隐私信息的轨迹在内的数据以分析用户的行为习惯来推荐更多的个性化服务。同时,由于现在各种社交软件的功能扩展,用户的好友并不都是关系亲密的联系人。当用户在移动社交网络分享自己的运动轨迹时会无形泄露自身的隐私。对于社交网络中用户间关系强度的评估方法,有的仅考虑区分强弱,但更多的是定量分析。但现有的方法通常适用于某个领域,所使用的数据有局限性,且其所考虑的因素并不全面。此外,差分隐私是轨迹隐私保护的热点方法,但传统差分隐私方法存在可用性差的问题,并且现有的轨迹隐私保护方法并未对轨迹进行细粒度的隐私保护。因此,针对用户在社交网络中分享轨迹时的存在的隐私泄露问题,首先细粒度评估了用户间关系强度,然后根据关系强度对轨迹进行隐私保护。主要创新如下:（1）为有效评估社交网络中用户与好友之间的关系强度,本文提出一种关系强度的混合计算模型HCM。该模型考虑了属性、连接、交互三个维度的关系特征,根据公式计算得到所有特征向量。然后,利用基于K-means的特征向量标记算法对所有特征向量标记,记录聚类质心并归一化,利用神经网络模型训练标记数据集得到概率预测模型。给定任意特征向量,可以根据预测模型与归一化质心计算得到双向关系强度。（2）对于社交网络中轨迹隐私保护,本文提出一种基于关系强度的个性化轨迹隐私保护算法PTPP。PTPP算法由关系强度映射算法和位置混淆算法组成。关系强度映射算法可以根据用户的个性化需求将关系强度映射到隐私预算ε。位置混淆算法在地理不可分机制上对半径限制,并融入位置聚类的思想。同时,本文分析了PTPP在社交网络中基于位置的服务（LBS）的请求中的可用性以及安全性。本文在真实数据集腾讯微博社交数据集及Geo Life轨迹数据集上分别对提出的关系强度计算方法及轨迹隐私保护算法进行实验。同时,还对轨迹的隐私保护结果进行可视化展示以进一步验证算法的可用性。实验的结果表明关系强度计算方法能够有效的评估用户与好友的关系强度,轨迹隐私保护算法可以根据用户的需求对用户的运行轨迹进行个性化、细粒度的隐私保护。