随着智能终端的普及和定位技术的发展,基于位置的服务(Location-based Service,LBS)在移动互联网中得到广泛的应用。然而,LBS在给人们的生活带来巨大便利的同时,也带来隐私泄漏的风险。位置隐私涉及用户的生活习惯、健康状态和兴趣爱好等个人敏感信息,与用户人身安全密切相关。位置隐私保护能否得到妥善保护已成为制约移动互联网发展的瓶颈问题之一。近年来,位置隐私保护受到研究者的广泛关注,但由于LBS新的应用场景不断被提出,新的攻击手段层出不穷,位置隐私保护在隐私度量技术、隐私保护技术和位置隐私与服务质量的平衡三个方面都面临新的挑战。为此,本文针对位置隐私保护问题进行了深入研究,力图准确评估在典型场景中用户面临的隐私威胁,进而实现对用户的位置隐私全面保护,最终达到位置隐私与服务质量的平衡。本文的主要工作和贡献包括:首先,在LBS中,研究者通常借助可信第三方(Trust Third Party,TTP)实现位置隐私保护,但在该类方法中,TTP容易成为性能瓶颈和集中攻击点。针对这一问题,提出一种不依赖TTP的位置隐私保护框架。该框架引入迭代查询的概念,利用智能终端自身的计算能力和存储能力实现隐私保护的LBS查询。在此基础上,提出一种融合攻击者背景知识和推理能力的用户位置隐私度量方法,定量计算该框架下LBS用户的隐私保护程度。进而,提出两种兼顾服务质量与用户隐私的混淆查询生成算法。实验结果表明本文方法在防止LBS用户隐私泄露的同时,有效地降低了用户的通信代价。其次,用户轨迹数据含有丰富的时空信息,轨迹推理攻击可能会导致严重的隐私泄漏。基于mix-zone的动态假名机制是目前应用较为广泛的轨迹隐私保护技术,但单个mix-zone并不能为LBS用户提供充分的隐私保障。对此,本文提出一种面向大范围城市环境的多mix-zone最优化部署策略,力图在部署有限个mix-zone的前提下,提高用户的隐私保护度。本文提出了一种基于概率模型的LBS用户身份隐私度量模型,并定义了mix-zone可达性的概念,将部署问题转化为选址问题,并基于部署数量约束、容量约束和信息熵约束等条件,建立整数规划模型。该模型的求解是一个NP难问题,为降低时间复杂度,设计了一种基于反向贪婪思想的启发式算法。实验结果表明本文方法可在部署有限个mix-zone的前提下有效地提高用户抵御推理攻击的能力。再次,针对基于大数据关联分析的隐私推理攻击,提出一种情景感知的位置隐私保护策略,从历史位置信息和当前时空场景两个角度出发对用户的位置信息进行保护。本文在分析用户历史位置数据的基础上,提出一种融合地理位置信息、大众行为模式和用户个人特质的敏感位置推理模型,预测用户的签到位置。基于该推理模型,提出了一种情景感知的隐私保护框架,结合用户所处的时空场景,为用户选择合适的隐私保护粒度。实验结果表明本文方法可有效兼顾服务可用性与用户隐私。最后,研究群智感知中的高效搜索与隐私保护问题。与传统的LBS服务不同,群智感知中的LBS用户作为数据的提供者,所提供的数据应满足服务运营商的质量要求,对位置隐私保护提出更高要求。基于群智感知的物联网搜索系统在分配感知任务时需兼顾隐私保护与任务激励机制,合理地分配搜索任务,激励更多的用户加入群智感知。针对隐私保护问题,本文提出一种基于模糊位置的任务分配策略,利用用户的模糊位置信息分配搜索任务。进而,针对用户激励机制,从市场供求关系的角度描述搜索发起者、搜索参与者和搜索引擎之间的关系,提出了一种基于组合双向拍卖的搜索任务分配策略。最后,分析了不同时间点之间系统效用的耦合性,提出一种情景感知的竞拍决策方法。实验结果表明本文方法在避免用户精确位置泄漏的同时,有效提高了物联网搜索的效用。