随着智能手机、可穿戴式设备以及智能汽车等技术的飞速发展,用户的位置相关数据也变得越来越便于收集。与此同时,移动数据的急剧增加也带来了更多用户隐私泄露的风险。为保护用户轨迹隐私,基于差分隐私技术的轨迹合成保护方法受到了广泛关注,虽然该方法能在相当程度上保护用户的隐私信息,但仍然保留了轨迹的部分特征。对基于差分隐私的轨迹合成方法保护后的轨迹数据进行成员推理攻击的研究,对于发掘轨迹合成保护方法存在的不足之处,具有重要的研究意义。设计并实现了一个面向轨迹合成模型的成员推理攻击方法,在用户已知少量背景知识的情况下,可以推理出经过轨迹合成模型保护后的数据集中是否存在目标用户。该方法由数据划分、特征提取、影子用户轨迹分类以及概率向量分类四个步骤组成。四个部分紧紧围绕着扰动后的轨迹数据集中依然存在同一用户轨迹间关联性的特征,以及增强攻击方法面对噪声的抗干扰性展开。在数据划分时,构建了影子用户集合与影子数据集集合;在特征提取时,捕捉了体现同一用户不同轨迹间关联性的Markov转移概率特征和旅途分布特征;在影子用户轨迹分类时,通过对影子用户的特征与影子数据集的特征进行组合、分组、训练以及预测,增强了多分类机器学习模型对样本噪声的抗干扰能力,并输出概率向量集合;该集合作为概率向量分类的二分类器的输入,训练概率向量分类步骤中的二分类器,使其最终能够正确区分待攻击的目标轨迹数据集中是否含有目标用户。在不同的攻击场景下进行了实验,包括攻击者面向不同数据集的场景、面向不同轨迹合成模型的场景、面向不同目标数据集用户组大小的场景以及面向保护方法不同差分隐私预算的场景,并与现有的面向轨迹数据集的成员推理攻击方法进行了对比实验。实验结果表明,该面向轨迹合成模型的成员推理攻击方法相比于现有的其他成员推理攻击方法,在面对轨迹合成模型时攻击效果更好。