物联网的快速发展催生了智能交通、远程医疗、位置服务等新型应用模式,然而这些场景下存在着严重的隐私泄露、窃听攻击、高级持续威胁（APT）攻击等,已经造成巨大的经济损失,甚至危害国家安全。物联网新型应用模式下的隐私问题面临严峻挑战,如环境复杂多变、隐私泄露模型不可知、终端设备资源有限、应用时延敏感等。围绕物联网环境下的隐私泄露威胁与挑战,本论文分别以云存储系统、移动边缘计算和基于位置的服务三个典型应用场景下的隐私泄露问题为研究对象,以强化学习、博弈论、差分隐私等为研究方法,研究物联网智能隐私保护技术,为未来物联网隐私保护框架设计提供理论依据和有益建议。主要的研究成果包括:1.针对云存储系统中的APT攻击,将系统防御者与APT攻击者的有限资源分配问题建立成基于上校博弈的博弈模型。研究博弈的纳什均衡,分析系统防御者与APT攻击者的攻防交互行为,为制定数据保护策略提供理论指导。在动态云存储系统中系统参数和攻击模型无法准确获取的情况下,提出基于混合策略表进行策略选择的PHC强化学习算法进行APT攻击检测,通过动态调整策略选择概率以充分探索动作空间实现更好的收敛性。针对大规模、复杂云存储系统,进一步结合深度强化学习技术提高系统防御APT攻击的鲁棒性,强化云存储系统的数据安全。实验结果表明,与基于Q学习的APT攻击检测机制相比,基于深度强化学习的机制云存储系统的数据保护水平提高30.5%。2.针对移动边缘计算卸载中的隐私泄露问题,研究基于强化学习的隐私感知计算卸载机制,结合攻击者的隐私窃取机理,优化计算卸载策略以保护用户的位置隐私和使用模式隐私。物联网设备可在未知隐私泄露模型、能量消耗模型和边缘计算模型的情况下动态的选择计算卸载率和本地任务处理率。该机制采用部分状态已知的PDS学习算法和基于模型学习的Dyna架构,研究基于Dyna-PDS的隐私感知计算卸载机制,加快系统学习速度并提升隐私保护水平。针对三种特定移动边缘计算卸载场景,分析物联网设备的能量消耗、计算时延和隐私保护水平性能界。实验结果表明,与对比机制CMDP相比,所提算法隐私保护水平提高36.6%,能量消耗降低9.6%,计算时延减少68.8%。3.针对基于位置的服务中敏感语义位置隐私泄露问题,提出基于强化学习的敏感语义位置保护机制。该机制利用差分隐私的拓展定义--位置不可分辨性的思想,在未知攻击模型的情况下,基于当前车载用户位置的敏感程度和攻击者的攻击历史情况,动态的随机化选择扰动位置以迷惑攻击者,并基于敏感度约束选择扰动角度,减少敏感语义位置的暴露。为解决高维度动作状态和连续策略空间下的高维度危机和离散化导致的量化误差问题,提出基于深度确定性策略梯度DDPG的敏感语义位置保护机制。实验结果表明,相比于基于Q学习的语义位置保护机制,所提机制的隐私保护水平提高30.8%,服务质量损失下降15.6%。