基于位置的计算服务是当今互联网服务商提供的一项应用广泛的基础服务。用户向服务商提供自身的位置及相关信息,服务商利用这些信息来进行计算,从而提供高质量的服务。然而这类服务通常需要在用户与服务器,用户与其他用户间共享位置信息,因此用户在获得利益的同时,也承担了巨大的位置隐私泄露风险。研究如何能在保护用户位置隐私的前提下,提供高质量的计算服务具有重要意义。本论文主要研究了两类不同的基于位置的计算中的位置隐私保护问题:论文先研究了以位置本身作为计算目标的高精度车辆定位场景。在车联网领域,车辆的定位服务是一项重要的基础设施服务,提升车辆的定位精度也是一直以来的研究热点。一些近期的研究工作提出让带有多种高精度传感器的智能车和仅带有GPS的传统车进行合作精准定位,然而所有车辆的位置隐私都会彻底暴露。针对以上问题,论文设计了一种能够保护位置隐私的高效车辆精准合作定位方案。论文对方案进行了安全性分析,并利用仿真软件OMNETPP和SUMO对真实的道路场景和车辆运动进行了模拟仿真实验来验证方案的可行性。实验结果证实方案延时低,且能有效降低车辆的定位误差,具有良好的实用价值。论文还研究了基于位置的相关测量信息作为计算目标的众包辐射监测场景。与定位场景及一些常见的基于位置服务重点关注位置精度不同,此类计算重点关注与位置相关的测量信息。近期一篇发表在USENIX Security的研究工作指出在该场景中利用差分隐私等技术来保护基于位置服务中的用户位置隐私时大幅降低了測量数据的效用,无法满足服务的可用性要求。针对以上问题,论文对已有再映射拉普拉斯方法进行了扩展改进,提出一种能够保护位置隐私的众包辐射监测数据发布方案。该方案能够在保护位置隐私的同时提供较好效用的监测数据。论文利用真实的众包辐射监测项目Safecast数据进行了实验,实验结果证实了论文设计的方案的有效性。