随着移动互联网等信息技术的飞速发展以及智能手机等通信终端的日益普及,人类社会已经步入大数据时代。数据收集是获取大数据的重要手段。通过收集和分析用户数据,数据收集者（服务提供商）可以挖掘用户的群体和个人特征,进而提供更优质的用户体验和制定更适宜的发展战略。然而,用户的数据中往往包含大量的个人敏感信息,直接收集这些数据可能导致严重的个人隐私泄露问题。隐私保护的数据收集技术为解决数据收集带来的个人隐私泄露问题提供了一种可行的方案。近年来提出的本地化差分隐私（Local Differential Privacy）技术已经成为了保护数据收集过程中个人隐私的业界标准。然而,现有研究工作主要集中在满足本地化差分隐私的单维数据收集,对于满足本地化差分隐私的多维数据收集问题的研究尚处于起步阶段。因此,本文针对偏好排序数据、轨迹数据和多属性数据等三种典型的多维数据,对满足本地化差分隐私的多维数据收集问题进行了深入的研究,并取得以下创新性成果:（1）针对偏好排序数据,提出了一种基于Riffle Independent模型的满足本地化差分隐私的偏好排序数据收集方法SAFARI。其主要思想是收集基于Riffle Independent模型精心选择的小取值空间上的分布,以近似用户偏好排序数据的整体分布。通过处理小取值空间而不是大取值空间,SAFARI能够大幅度地减少所添加噪声的规模。特别地,在SAFARI中,设计了两个转化规则,来指导用户转化他们的数据,以提供小取值空间上的分布信息。本文进一步提出了一种在满足本地化差分隐私的条件下,针对多个具有小取值空间的属性的频率估计方法。实验结果表明,SAFARI方法所收集到的偏好排序数据具有较高的数据效用。（2）针对轨迹数据,提出了一种基于隐马尔可夫模型的满足本地化差分隐私的轨迹数据收集方法PrivTC。在PrivTC中,本文首先设计了一种满足本地化差分隐私的网栅构建方法,用于指导数据收集者将给定的地理区域划分成一个合理的网栅。然后,本文提出了一种满足本地化差分隐私的谱学习方法,以帮助数据收集者从根据网栅离散化后的用户轨迹数据中学习隐马尔可夫模型。最后,数据收集者从学习出的隐马尔可夫模型中抽样生成一个合成轨迹数据集,作为原始数据集的替代品。实验结果表明,PrivTC方法所收集到的轨迹数据具有较高的数据效用。（3）针对多属性数据,提出了一种基于混合网栅的满足本地化差分隐私的多属性数据收集方法HDG。特别地,该方法所收集到的数据用于支持多属性数据上一种典型的分析任务——多维区间查询。该方法的主要思想是合理地运用分箱技术将所有单个属性的一维取值空间和所有属性对的二维取值空间分别划分为一维和二维网栅,然后联合利用一维和二维网栅的信息来回答多维区间查询。为了保持HDG方法的有效性,本文在充分分析了不同来源的误差的基础上,提出了一个指导规则,以选择合适的网栅粒度。实验结果表明,与现有方法相比,HDG方法具有显著的性能提升。