随着GPS智能移动设备和移动计算的快速发展,基于位置的服务（Location Based Service,LBS）在物联网应用中越来越受青睐。智能终端和定位技术的更新和升级,旨在为用户和服务商之间提供通信载体进行信息交互。然而人们沉浸在互联网时代源源不断带给其便利的输入时,也在不知不觉地将个人隐私进行输出。轨迹数据未经处理直接发布,是泄露用户隐私的最直接途径。攻击者不仅可以获得移动对象的位置分布和行程轨迹,甚至可以通过关联外部知识进行数据挖掘,推测出用户的生活喜好、社会关系等较为隐含的私密信息。因此,轨迹隐私保护方面的研究对于人们和社会的发展有着重大的意义。本文针对轨迹数据发布中的隐私保护问题开展研究,基于从不同角度出发的隐私保护目的,提出了两种基于假轨迹的轨迹隐私保护方法。1)针对目前假轨迹生成方法未考虑轨迹多特征,易产生不合理位置的问题,本文提出了一种基于稀疏表示的虚假轨迹生成方法。该方法首先对原始轨迹数据集进行预处理,转换成具有多特征的轨迹矩阵;然后通过稀疏表示构建测试样本和训练样本的表达式,并加入L2正则项构建一个新的目标损失函数;最后基于该方法进行优化迭代,为每个测试样本选择对应权重系数最高的top-M个训练样本。实验结果表明:该方法具有较好的生成假轨迹的效果,与已有的MLN（Moving in a Neighborhood）、MN（Moving in a Limited Neighborhood）方法进行对比,基于不同的评价指标验证了该方法的有效性。2)针对大多数生成的虚假轨迹都能被CNN网络模型检测出来,造成隐私保护效率降低的问题,本文提出了一种基于轨迹采样点聚类的虚假轨迹生成方法。该方法首先对原始轨迹数据集进行预处理,转换成具有多特征的轨迹矩阵;然后根据新定义的距离函数计算轨迹相似性,通过设置阈值来缩减待聚类集合的大小;接着基于上述得到的集合使用K-means聚类的方法再次筛选出目标的近邻集合,直到遍历完每个采样点后,重构一条新的虚假轨迹。该方法可以保证构成的虚假轨迹集合中的轨迹在时间区间内的任意时刻的采样点位置都是相近的。以此类推,设置不同的阈值,就会形成不同的虚假轨迹段划分到真实轨迹的聚类集合中。实验结果证明:与列举的5种虚假轨迹生成算法相比,在CNN对以上伪轨迹检测率分别为97.2%,94.1%,86.8%,83.3%,16.5%的情况下,基于此方法下生成的虚假轨迹被检测成功的概率低于10%,达到了较好的轨迹隐私保护效果。