随着互联网的迅猛发展、智能终端的普及以及传感器技术的不断成熟,近年来移动群智感知（Mobile Crowdsensing,MCS）得到飞快发展。移动群智感知是指结合众包思想和移动智能设备自身的感知能力,面向世界范围内的参与者已有的移动智能设备所形成参与式的、交互式的感知网络,并将感知任务发布给感知网络中的参与者以完成任务感知,从而帮助公众、专业人员、政府机构等聚合数据、统计分析信息和分享知识。移动群智感知不仅为人们的日常生活提供了便利,更为人们出行交通带来了快捷。但新的隐私安全挑战随之而来,移动群智感知应用需要大量参与者参与感知数据采集,而这些感知数据会携带参与者的个人敏感信息,使其面临个人隐私泄露的风险。随着人们越来越重视个人隐私问题,移动群智感知应用发展前景堪忧。因此制约移动群智感知应用发展的关键问题是参与者的隐私保护问题。本文结合差分隐私理论,从感知数据聚合、个性化参与者选择、轨迹发布三方面对移动群智感知中的隐私保护技术进行了深入研究。本文的主要工作内容如下:（1）考虑到参与者个人信息和感知数据存在的隐私泄露风险,结合差分隐私技术对MCS中的隐私保护方法进行改进。针对感知数据聚合问题,研究基于噪声扰动和噪声过滤的聚合方法,针对参与者选择及其隐私保护问题,研究基于激励机制、轨迹压缩以及噪声扰动的个性化参与者选择及其轨迹隐私保护方法。在满足差分隐私的基础之上,保证上述方法具有良好的数据效用性。（2）针对非可信MCS平台上的参与者位置和感知数据存在隐私泄露的问题,提出基于位置混淆的移动群智感知数据聚合算法DP-DAWL。该算法通过轮廓系数自适应选择最优组划分个数的方式来优化K-means聚类算法,并使用组中心来混淆参与者真实位置数据,然后基于参与者人口密集不同为感知数据添加不同的扰动噪声来实现隐私保护,最后在MCS平台优化卡尔曼滤波算法的系统噪声来聚合分析扰动后的感知数据。在六组合成数据集上的实验结果表明,在实现隐私保护的基础之上,DPIPTM具有良好的数据效用。（3）针对移动群智感知中轨迹数据发布存在的隐私泄露问题,提出感知区域最大化的个性化参与者选择激励机制及其轨迹隐私保护方法DPIPTM。此方法先提出了感知区域最大化的个性化参与者选择激励机制,该机制基于相似度来选择候选参与者集,并使用贪心和背包融合算法在感知区域最大化的基础上选择最优参与者集;然后结合道格拉斯-普克算法和差分隐私技术提出适用于后台执行场景下的满足差分隐私的参与者轨迹离线压缩算法;最后通过自适应计算阈值的方式优化滑动窗口算法并结合Laplace机制提出适用于移动端执行场景下的满足差分隐私的参与者轨迹在线压缩算法。在合成数据集和真实数据集GeoLife GPS Trajectories上的实验结果表明,在实现隐私保护的基础之上,DPIPTM具有良好的数据效用。