随着移动设备的繁荣,位置服务(LBS)在各领域都得到广泛流行。用户在享受LBS服务的同时需要向不可信的LBS服务提供商泄露查询属性(如个人位置,运动轨迹等)。通过对这些查询的攻击性分析,恶意攻击者极有可能推测出相关用户的家庭住址,健康状况,生活习惯等个人隐私,从而对用户的人身财产安全造成极大的威胁,基于LBS的位置隐私保护研究迫在眉睫。其中,空间近邻查询和轨迹相似度计算又是位置隐私保护中最常见的两个问题。在隐私保护的空间近邻查询中,主要有如下两个方面的考虑:一方面,如何保护用户的隐私免受恶意提供商的侵犯。另一方面,如何能够在为用户提供精准位置服务的同时,减少LBS端数据信息的披露。为此,我们提出了基于空间网格索引的位置隐私保护方案,并在该模型下分别给出了针对近似kNN查询和精确kNN查询的查询协议。该协议除了在隐私安全方面能够满足需求,在性能上也有了极大的提升。实验表明,该方案能在百万数据点上实现用户查询的秒级反馈,相比目前已知的最新方法,该方法在时间上有了两个数量级的提高,其实用性大大增强。在隐私保护的轨迹相似度计算中,主要考虑的是如何能够确保持有轨迹的两方在不得到对方轨迹数据信息的前提下完成轨迹相似度的计算。常见的轨迹隐私保护是通过加噪,混淆等手段实现轨迹的隐藏,但由此带来的数据失真为精确的轨迹相似度计算带来了困难,因此并不适用。针对这一问题,本文提出了基隐私保护的轨迹相似度计算框架。该框架针对轨迹相似度的计算特点,通过结合同态加密和Yao协议,能够在不共享轨迹数据信息的前提下,准确完成复杂的轨迹相似度计算。总而言之,本文就LBS中的两个主要问题进行了研究分析,提出了相应的解决方案。本文的研究成果具有重要意义,对相关的研究工作具有一定的参考价值。