室内定位作为LBS应用的关键基础,已成为人们日常生活中不可或缺的重要服务之一。然而,随着入网智能设备数量的爆炸性增长,将所有数据都传输到云端进行处理分析,会造成巨大的网络负载和计算开销,室内定位的实时性和准确性需求面临着重要挑战。而且,用于进行室内定位的无线信号信息往往隐含着用户的位置信息、行为习惯、消费水平等众多隐私信息。如何在保证用户隐私的情况下提供高质量、强实时和轻量级的室内定位服务成为当前的研究热点。针对不同边缘计算应用环境下室内定位过程存在的位置隐私担忧和定位模型安全问题进行研究。主要工作如下:(1)针对单信号室内定位存在的隐私安全问题,提出一种面向普适边缘计算环境,差分私有的室内定位隐私保护方法,该方法将完整的Wi-Fi指纹数据上传至云端前进行拆分隔离、隐私保护和结果聚合,最后在云端进行可信的定位模型训练。实验结果表明,该方法可以在提供-差分隐私保护的同时将定位模型精度损失控制在8.9%。(2)针对多源信号融合室内定位存在的隐私安全问题,提出一种边缘计算下自适应指纹融合室内定位隐私保护方法。该方法基于多层边缘网络的隐私保护架构,通过分配多级隐私预算,将差分隐私扩展到半监督的极限学习机进行自适应的差分私有指纹融合室内定位。实验结果表明,与传统基于半监督学习的定位方法相比,该方法可以在提供-差分隐私保护的同时将定位模型精度损失控制在2.2%,额外时间开销可以忽略。(3)针对室内定位应用中数据使用的合规性、合法性和数据孤岛问题,提出一种基于联邦学习的室内定位隐私保护方法,该方法在边缘计算环境下进行室内定位模型的可信联邦训练,训练过程中各用户不共享训练数据,只共享模型参数来进行定位模型的分布式训练和可信聚合,以端云协同的方式迭代学习并深度优化定位模型,实现多用户定位模型训练的隐私保护和共同获益。与传统集中式的模型训练方法和基于联邦学习的模型训练方法相比,所提方法不仅可以提供可证明的-差分隐私保护,以少量的额外时间开销为代价,实现可信高精度定位。