随着智能终端和社交网络应用的快速普及,用户在使用社交网络应用的过程中产生了大量的轨迹数据。当社交网络应用服务提供商发布这些轨迹数据给第三方研究机构用于离线分析时,对轨迹数据进行适度的隐私保护,对于安全地利用轨迹数据的价值具有重要的意义。轨迹数据中包含着一种重要的隐私信息,即不同轨迹间的相关性。对于这一隐私信息,大部分已有的轨迹隐私保护方法并未考虑,少数已有的轨迹相关性隐私保护方法也只适用于发布两条轨迹的场景,无法对大量轨迹数据中不同轨迹间的相关性提供有效的保护,因而仍然存在着严重的隐私泄漏问题。针对不同轨迹间的相关性导致隐私泄漏的问题,分析了社交网络应用服务提供商离线发布大量轨迹数据这一场景下存在的隐私威胁。提出了基于差分隐私的关联轨迹数据发布方法（Correlated Trajectory Publication,CTP）,用于对发布前的轨迹数据进行隐私保护。CTP包括三个步骤:第一步,利用签到多样性自适应网格划分方法对真实轨迹数据所在的地理空间进行离散化,得到真实网格轨迹数据及对应的网格访问频率向量,并基于网格访问频率向量定义不同轨迹间的相关性量化方法;第二步,基于不同轨迹间的相关性量化方法,把对不同轨迹间的相关性的保护建模成一个约束优化问题,利用所提出的差分隐私版本的粒子群优化算法PSO-EM求解该约束优化问题,得到扰动后的网格访问频率向量;第三步,基于扰动后的网格访问频率向量合成扰动后的网格轨迹,并进一步转换成扰动后的位置轨迹。此外,设计了CTP与四个相关的轨迹隐私保护方法在三个真实的轨迹数据集、七个不同的实验技术指标以及两种不同的轨迹相关性的具体实现方法上的对比实验,并列出了详细的实验结果与分析。实验结果表明,CTP具有较高的稳定性,并且在数据可用性与安全性两方面实现了较好的平衡。