随着移动智能设备的快速发展,越来越多的轨迹数据也随之产生,之后被第三方服务提供商收集,再存储到数据库中。对轨迹数据进行挖掘和分析可以解决诸多问题,但是轨迹数据中通常会包含移动对象的许多个人敏感隐私信息,如果对轨迹数据不加任何保护就直接使用,移动对象的个人敏感隐私信息将会被泄露出去,对移动对象本身造成巨大的损失,更甚者会带来人身威胁。因此,对轨迹数据隐私信息的保护吸引了许多国内外研究人员的关注。在现有的研究中,通过使用差分隐私对轨迹数据进行保护的方法主要有以下两种:第一种是“局部加噪”,第二种是“全局加噪”。本文分析了上述两种方法的优缺点,在此基础上提出一种新的局部加噪的轨迹差分隐私保护方法;更进一步,针对一个移动对象与服务器进行实时交互请求服务的应用场景,提出一种基于位置距离的轨迹数据差分隐私保护方法。主要研究内容如下:1)针对现有的基于差分隐私的轨迹数据保护方法将导致数据可用性较差的问题,本文提出了一种新的基于模糊C均值聚类的轨迹差分隐私保护方法（Fuzzy C-Means Based Trajectory Differential Privacy Preserving,FCMBTDPP）。该方法首先选择出移动对象轨迹中的停留点,即停留时间较长的位置点,然后将剩余的轨迹位置点进行模糊C均值聚类,最后使用拉普拉斯机制对停留点和聚类中心添加噪声。该方法仅在轨迹数据的部分位置点添加噪声,在保护轨迹数据隐私的同时提高了数据的可用性。2)在移动对象与服务器进行实时交互的过程中,移动对象通过上传自身的位置数据来获取想要的服务。面向移动对象与服务器进行交互过程中静止、低速运行、高速运行三种应用场景,针对隐私预算随着轨迹数据中位置点的增加而累加的问题,提出了一种基于位置距离的轨迹数据差分隐私保护方法（Trajectory Differential Privacy Preserving based on Location Distance,TDPPLD）。首先,通过判断当前位置与前一个位置的距离选择将要上传至服务器的位置点,然后,对该位置点添加噪声后再上传至服务器请求服务,最后,在Geolife数据集（低速运行场景）和T-drive数据集（高速运行场景）进行实验验证,证明该方法不仅可以有效保护轨迹隐私,而且能够提高数据的可用性。