移动互联网技术的发展和硬件水平的提升,为本就占据网络服务份额前几的在线社交网络带来了更大的发展,而与之俱来的是严重的隐私泄露问题。一方面,由于隐私保护手段的不完善(例如隐私策略设置过程的繁琐、对于图像视频等多媒体信息保护手段的缺乏),以及大众对隐私保护意识的缺失,传统的视觉隐私泄露问题依然存在;另一方面,除了能直接获取到的信息,用户的私人数据中还隐藏着巨大的价值。大数据与人工智能技术的发展,使得企业和组织能够从私人数据中挖掘出更深层次的信息。小到用户行为,大到市场分析,形形色色的潜在信息能够指引商业活动,也可能被用于非法行为。在新旧两种隐私威胁的夹杂下,隐私保护问题的解决仍然任重道远。在众多的隐私保护研究中,图像内容中的位置隐私泄露仍然是一个盲点问题。现有的位置隐私保护的研究主要针对的对象是用户所在的真实地理位置;而图像本身是一种包含丰富信息的载体,可能存在着能够反映图片拍摄地点的内容;另外,在移动设备普及的当下,人们可以随时随地地在社交网站上发布图片,这种方式为图像中的位置信息带来了更高的实时性,进一步提高了位置隐私泄露的威胁性。在这一隐私问题中,主要存在两个关键点:首先,如何从和场景相关的众多图片中找出隐私敏感物体和其所属类别;其次,在解决前一个问题的基础上,如何确定隐私关联度的标准,即某种物体能在多大程度上反映出它所处的位置。针对这一问题,本文提出了一种社交网络图像分享中的位置隐私保护方案,总共从两个方面对图像中的位置隐私区域进行保护:首先,在针对人眼视觉的方案中,本文结合基于深度学习的图像分割、深度特征提取和特征聚类技术,确定图像数据集中潜在的物体区域及其所属类别;本方案从地点图像数据集的特性出发,提出了两种隐私相关度判别策略,使得方案能够为不同的类别分配对应的隐私等级;为了使得隐私标准更加灵活和合理,本文采用了在线学习的隐私分类器,使得隐私判别标准能够根据使用者的反馈动态地改变;最后,为了从人眼视觉中保护隐私,本文借助基于模板的图像修复技术将图像中的隐私区域去除。而在针对机器视觉的方案中,本文提出了一种基于对抗样本思想的图像干扰算法,能够使得图像在加入特定扰动后,无法被基于深度学习的目标检测模型获取到有用的信息,同时这种扰动对于人眼来说又是难以察觉到的。最后,本文对两种方案进行了实验论证和分析,结果表明本文提出的隐私保护方案能够有效地保护图像中的位置隐私信息。