近年来,随着移动互联网的发展,基于位置服务(LBS)得到了广泛的应用,LBS给人们的生活带来了巨大的便利,但LBS中的隐私泄露问题也越显突出,得到了学术界和产业界的广泛关注。匿名是实现LBS隐私保护的有效方法,其思想是对用户发出的LBS查询进行一定的变换,使攻击者无法推断发出该请求用户的位置,从而保护了用户的位置隐私。本文从匿名化技术、匿名化模型、匿名化算法以及匿名质量评估模型等方面,对LBS隐私保护问题进行了研究,主要工作包括：(1)将分解技术引入到LBS隐私保护领域,提出了面向LBS的分解重构匿名化技术。现有的LBS匿名化技术主要采用时空伪装技术,该技术计算负担重,LBS响应延迟时间长,导致LBS服务质量低。为此,本文通过对微数据隐私保护的分解技术进行研究,提出了分解重构的匿名化技术。该方法首先对接收到的LBS查询集进行分组,形成满足匿名模型的等价类,然后对每个等价类根据不同的策略进行分解和重构,生成新的匿名查询集。(2)针对用户个性化的隐私需求,提出了一系列匿名模型,并提出了基于分解重构技术的匿名模型的实现算法,并从安全性和服务质量两个角度提出了面向分解重构技术的匿名质量评估模型,实验表明了所提出的匿名化模型和匿名化算法的有效性。(3)为抵制LBS中的排除性攻击,提出了(k,l,α,β)-匿名模型。该模型在满足位置多样性和查询多样性的基础上,可以有效控制匿名查询集中无效查询的比例,从而抵制了排除性攻击。本文也提出了实现代(k,l,α,β)-匿名模型的匿名化算法,并从安全性和服务质量两个角度对匿名模型和匿名化算法进行了比较分析。