随着智能手机,平板电脑和其他物联网（IoT）设备的激增,基于位置的服务（LBS）已变得越来越流行,并开始塑造我们使用互联网的方式,在社会生活中发挥着极其重要的作用。这也使得通过使用移动电话、GPS设备和带有地理标记的社交媒体大规模地收集用户的位置数据的现象越来越普遍,海量用户位置数据被存储在云端服务器。大量的位置数据含着极大的学术价值和商业价值,但是这也给用户带来了隐私泄露的风险。现有的研究主要集中在位置数据的空间维度上,而很少考虑其他信息。有些研究方案只能工作在特定的环境下,不具备一般通用性。有些则是一刀切地保护用户位置隐私,没有考虑到不同位置数据敏感程度以及不同用户隐私需求的差异,难以适应复杂多变的情景。针对这些不足,本文对基于位置服务中隐私安全相关技术进行研究,所做工作和创新点如下所示。首先,针对实时位置隐私保护中当前大多数隐私保护方案没有充分考虑攻击者具有的背景知识这一问题,综合考虑位置的查询概率、语义信息以及物理分布,提出了一种基于多元数据的位置隐私保护方案MDLS。该方案基于大顶堆选择查询与用户真实位置查询概率接近的位置构成假位置候选集,通过计算候选位置与真实位置的物理距离以及语义距离筛选出物理分散且语义多样的假位置。实验结果表明,本文提出的算法能够快速有效地生成物理分散且语义多样的假位置集合。其次,针对离线位置隐私保护场景下对数据可用性的要求,提出一种基于多维特征融合的假轨迹生成模型MFF-TrajGAN。该模型将假位置技术和生成对抗网络模型结合,基于轨迹数据的多维特征设计轨迹编码模型,将原始轨迹转换成特定轨迹的格式,将其作为生成对抗网络的输入,获取历史轨迹数据的数据分布和模式及随机噪声,最终生成轨迹判别器无法识别的合成轨迹数据。实验结果表明,与其他常见的传统隐私保护方法相比,该模型可以更好地阻止用户被重新识别,并且还保留了实际轨迹数据的基本空间,时间和语义特征,有效地兼顾了发布轨迹数据的隐私性和实用性。最后,将基于多元数据的假位置筛选算法MDLS与基于多维特征融合的假轨迹生成算法MFF-TrajGAN相结合,实现了针对用户和LBS服务器的多场景位置隐私保护位置发布系统。