命名数据网络（Named Data Networking,NDN）作为未来互联网体系架构最具竞争力的候选架构,由于其在移动支持方面的优势,NDN与车载自组织网络（Vehicular Ad-Hoc Networks,VANET）的集成架构NDN-VANET成为该领域研究热点。在VANET/NDN-VANET中广泛采用机器学习技术来解决通信、安全和交通管理等方面的问题,然而,机器学习的训练和预测阶段面临严重的安全风险和隐私泄露问题。BRFD（Bayesian-based Receiver Forwarding Decision）是一种基于贝叶斯理论的NDN-VANET接收端智能转发决策方案,在BRFD中,所有接收到兴趣包的车辆都需要根据收集的网络状态信息决定是否转发收到的兴趣包,在网络状态信息交换过程中,存在车辆位置、移动速度等隐私信息泄露给其他车辆的安全和隐私问题。本论文首先改进了 BRFD方案,然后针对BRFD中存在的安全和隐私问题,基于同态加密机制提出了一种适用于NDN-VANET的隐私感知智能转发决策机制PABRFD（Privacy-Aware BRFD）,主要创新点如下:1.针对BRFD方案效率问题,通过将NDN-VANET网络状态信息中车辆运动数据离散化,去除BRFD方案中复杂的高斯计算,提高贝叶斯分类概率的计算效率,从而改进BRFD算法效率;2.针对BRFD方案网络状态信息交换和存储中状态信息数据安全和隐私泄露问题,提出了基于同态加密技术的网络状态信息保存和交换机制,集成同态加密和贝叶斯算法提出了 NDN-VANET隐私感知智能转发决策方案PABRFD,采用非形式化方法分析了 PABRFD的安全属性;3.基于实现同态加密的CKKS库和BFV库分别实现了 PABRFD方案和BFV-BRFD方案,联合SUMO工具和仿真工具ndn-SIM分别从分类性能和通信消耗两方面对PABRFD、BFV-BRFD和BRFD方案进行评估。实验结果表明PABRFD在多个方面有更好的性能。