当今时代,随着我国信息化建设不断推进,信息安全形势愈发严峻。个人隐私作为保障社会安定有序和私人生活安宁的重要前提,对其开展保护势在必行。用户位置隐私是指用户不愿为人知晓的特定位置信息或与位置相关的身份信息。在基于位置的社交网络这一新的应用背景下,用户可以在线享受基于位置的搜索服务（如本地搜索服务）和附带位置标签的内容分享服务（如签到服务）。本文假设服务供应商是不可信的,即攻击者可以以某种模式获得用户提交的被保护的位置信息,并为了还原用户的真实位置而发动相应的推断攻击。本文针对基于统计的静态不确定攻击和基于深度学习的动态自适应攻击这两种攻击分别进行位置隐私保护研究,以抵御潜在的位置推断攻击。在此,本文选取最具代表的本地搜索服务作为单服务研究场景,选取本地搜索和签到服务作为多服务研究场景,解决以下三类位置隐私保护问题,分别为:（1）单服务场景下的本地搜索位置隐私保护;（2）多服务场景下本地搜索位置隐私保护;（3）多服务场景下混合轨迹隐私保护。针对以上三类问题,本文对相关研究现状进行了深入分析,其主要不足为:现有保护机制针对静态不确定攻击的抵御能力较弱、尚无针对深度学习模式下的自适应攻击的保护研究、缺少对多服务场景下的统一位置隐私保护能力。为此,本文研究所面临的挑战为:一是如何在保障服务质量的前提下提供最大化的位置隐私保护,二是如何针对具有自适应学习能力的新型攻击方式来设计新的位置保护机制,三是如何设计一种统一的位置隐私保护框架以满足多服务场景下的位置隐私保护需求。本文的主要工作与创新如下:（1）针对本地搜索用户的位置隐私保护问题,分别提出静态确定攻击和静态不确定攻击下的用户位置隐私保护框架。首先对静态确定和静态不确定这两种攻击场景进行建模,然后针对某一特定确定攻击,将其对应的位置保护问题归结为服务质量限定下的位置隐私损失最小化问题。在此基础上,针对静态不确定多攻击场景,提出一种基于线性组合的位置隐私平均最优保护方案,用于提高不确定攻击下的总体保护效果。基于真实位置社交网络数据集的实验结果表明,所提保护方案在保护用户位置隐私和保障服务质量这两方面都具有有效性。（2）针对保护机制公开的本地搜索服务中的用户位置隐私问题,本文提出一类基于深度学习的新型动态自适应攻击模式（KL攻击）,并设计实现基于生成对抗的位置保护框架。该框架包括保护模块和动态自适应攻击模块,基于攻击模块输出的猜测位置与真实位置间的距离设计保护效果函数,基于保护模块输出的模糊位置与真实位置间的距离设计服务质量损失函数,然后在保护模块中引入惩罚函数控制保护引起的服务质量损失。最后引入对抗学习,通过交替更新两个模块的网络参数直至达到收敛,实现服务质量约束下的用户位置隐私保护。基于两个真实位置社交网络数据集的实验结果表明所提攻击模型的有效性,同时表明,所提保护方案在保护用户位置隐私和控制服务质量这两方面都具有有效性。（3）针对保护机制公开的多服务中的用户轨迹隐私问题,本文分析了多服务下一种基于多源融合的KL攻击,并设计相应的用户轨迹隐私协作保护框架。该框架基于融合的多源轨迹特征分别实现动态自适应攻击模块和面向多服务的多策略保护模块。与（2）中不同的是,在多策略保护模块内引入服务标识位匹配保护策略,并采用攻击模块的期望误差刻画保护效果;同时在保护模块内引入多个惩罚函数,实现对于不同服务质量的依次控制;最终攻击模块和保护模块将通过交替优化达到收敛,实现对多服务质量约束下的用户轨迹隐私保护。在真实位置社交网络数据集上的实验结果验证了本章提出推断攻击的威胁,同时表明所提的保护方案在保护用户轨迹隐私和控制服务质量这两方面的有效性。最后,本文对论文工作和取得的相关成果进行简单的总结,并展望后续研究工作的研究方向。