随着带有定位功能设备的广泛普及,定位服务提供商等数据管理者已收集了大量用户位置数据及移动轨迹数据。数据中可能包含用户的隐私信息,直接发布此类数据集与第三方共享,可能会导致个人隐私泄露。差分隐私可以防止背景攻击,有效保护数据隐私。如何将差分隐私应用于轨迹序列数据集中,生成发布具有高数据可用性的数据集,是当前研究的主要方向,也是本文关注的重点。本文针对连续型轨迹序列数据,研究数据发布差分隐私保护方法,定义问题并提出基于概率分布与聚类的解决方案,具体研究内容如下:（1）定义了差分隐私轨迹数据发布问题:对轨迹序列数据进行介绍,此类数据具有序列性、高维性、稀疏性等特点,总结当前主流攻击模型,分析当前隐私保护方法的不足,设计非交互式数据发布差分隐私保护模型,提升发布轨迹数据集的隐私保护水平,保留更多数据信息。同时,设计采用了6种评价指标,分别从统计、频繁模式、欧式几何等方面评价模型发布的数据集。（2）提出一种新的基于概率分布的轨迹序列数据发布差分隐私保护模型。第一步需要去除冗余轨迹点,对连续型的轨迹进行精简,基于最小描述长度提取具有代表性的轨迹点。然后根据网格内的轨迹点占比和自适应地迭代生成满足差分隐私保护的多级网格结构,并将轨迹点映射其中。之后提取建立满足差分隐私保护的轨迹起止点概率分布模型、转移概率模型以及采用指数机制选择建立轨迹长度模型,来保存轨迹相关信息,再以此生成新的轨迹数据集。最后通过基于方向与轨迹点密度的后处理方法,发布综合轨迹序列数据集。在真实数据集与模拟数据集上,使用5种评估方法从统计学、频繁模式方面验证本文提出的模型发布的数据集具有更高的数据可用性。（3）提出一种新的基于聚类的轨迹序列数据发布差分隐私保护模型。第一步对每个时间戳内的轨迹点使用AP（Affinity Propagation）聚类进行聚合处理,以聚合结果为标准,结合豪斯多夫距离,计算筛选候选划分方式,再设计使用指数机制选择最终聚合方式,使之满足差分隐私保护。再对聚合后的轨迹集添加拉普拉斯噪声,最后经一致性后处理,发布综合轨迹序列数据集。通过算法分析及实验对比,可验证该模型发布的轨迹序列数据集具有较高的数据可用性。本文在多个现实数据集及模拟数据集上,对提出的方法从多个角度进行测试评估,并与当前主流算法进行对比,验证了算法是可行的,具有一定研究意义与价值。