随着智能设备的普及,群智感知技术已在各领域被广泛运用并成为近年来的研究热点。通过将普通用户的移动设备作为基本感知单元,群智感知技术实现感知任务的分发和数据的收集。然而,用户在参与群智感知活动中,可能会面临泄露隐私的风险,如果群智感知系统不考虑隐私保护将严重影响用户参与度,因此,现有一些学者已经开始关注隐私保护下的群智感知技术研究并取得了一定的成果。但是,现有的研究假设所有用户采用相同的隐私保护级别,这虽然利于平台管理,却忽略用户本质对隐私保护需求的多样性,即不同的用户对自身的隐私看重程度存在差异。使用相同的隐私保护级别只会使得一些用户的隐私需求没有被满足,而另外的用户的数据被过度保护。因此,本文从用户隐私多样化出发,开展面向群智感知系统的个性化隐私保护研究,在满足用户个性化隐私需求的同时,解决群智感知数据收集中涉及的任务分配、用户激励以及数据聚合等问题,构建支撑“任务分配--用户激励--数据聚合”的感知任务全周期隐私保护保障理论。为实现个性化隐私保护,本文采用差分隐私技术对用户的位置信息和感知数据等敏感信息进行个性化混淆,即用户可以按需求选择隐私预算并在本地对数据进行处理后上传。(1)针对任务分配问题,本文提出一种基于混淆距离的任务分配机制PWSM,通过用户的混淆距离和隐私预算计算用户离目标任务更近的概率并从概率上最小化总的移动消耗,从而提高任务的执行效率。(2)针对用户激励问题,本文提出一种基于维克里拍卖的激励机制VPDM,通过用户的移动成本和隐私泄露成本来共同决定用户的激励,并证明该机制满足真实性、盈利性以及个体合理性。(3)针对数据聚合问题,本文提出了一种基于EM算法的数据聚合方法HisEM,将用户的历史数据融入真值发现技术,从而提高数据聚合鲁棒性实现对任务真值的精准估计。最后,本文通过隐私分析和大量真实数据集的实验,证明了所提机制的隐私性和有效性。