随着位置感知技术的发展,轨迹数据越来越容易被收集并应用到城市交通、移动医疗等方面。但当轨迹数据与疾病、年龄等属性一起收集时,往往包含大量的用户敏感信息,如果未对这些数据进行有效的隐私处理而直接发布,攻击者很容易发动背景知识攻击,导致用户隐私泄露。差分隐私作为一种无关背景知识的强隐私保护模型在数据发布的隐私保护中被广泛应用。如何在保护轨迹数据隐私的同时,提高数据可用性是目前研究的热点之一。差分隐私目前有中心化和本地化两种方法,中心化差分隐私假设第三方平台可信,可以提供较高的数据可用性。本地化差分隐私对第三方平台没有要求,且可用于多源数据发布,但可用性目前比较低。现有的轨迹数据差分隐私保护方法大多对只对轨迹数据进行匿名,缺少对敏感标签（敏感属性）的考虑,没有区分轨迹点的重要性,对所有轨迹数据添加统一的噪声,导致数据整体可用性降低。本文分别从单源和多源轨迹数据两方面入手,结合差分隐私技术保证了标签轨迹数据发布的安全:（1）针对单源发布问题,本文提出了一种基于生成对抗网络（Generative Adversarial Network,GAN）的差分隐私发布方案。我们的方案提取轨迹中的关键停止点,异常点。我们设计了一个图模型来有效地捕捉敏感属性与相应敏感点之间的关系。在图中加入拉普拉斯噪声,由GAN训练隐私预算,以平衡数据隐私和数据效用。（2）在多源发布问题上,本文设计了一种基于聚类算法和敏感属性分级的多源标签轨迹发布方法。该方案包括通过建立敏感属性树为敏感属性分级并添加隐私预算。然后通过DBSCAN聚类算法对轨迹点进行聚类,引入可达性概念,提高替代点选取的数据可用性,采用随机响应技术实现差分隐私。最后将数据上传至第三方平台,完成数据发布。本文使用python3语言对以上两种检测方法进行实验和仿真,从轨迹数目变化,轨迹点数目变化,轨迹相似度等可用性方面对实验结果进行衡量。实验结果表明,本文提出的两种发布机制与现有工作相比,在相同隐私保护前提下能够提供更高的数据可用性。