智能手机的大范围普及促进了手机移动应用的快速开发和广泛需求。然而,移动应用商店中的移动应用数量巨大,具有相同或类似功能的移动应用种类繁多,质量参差不齐,这带来了移动应用市场上的信息过载问题。面对大量的可选应用,移动用户不知该如何选择合适并且可信的移动应用。移动应用推荐系统是将推荐技术用于移动应用领域的系统,是一种帮助移动用户解决上述信息过载问题的有力工具。然而,现有文献中致力于推荐移动应用的可行推荐系统研究少之又少。首先,现有工作中几乎没有基于用户信任行为的移动应用推荐系统研究。用户使用移动应用的信任行为能够真实反映用户的个人喜好,其数据对于构建用户轮廓和计算推荐具有巨大价值。其次,现有推荐系统的准确度和个性化仍有待提高。现有移动商店中基本上是基于应用的下载数量和用户评价进行的评分规则,而这种规则存在准确度低和恶意攻击的风险。最后,更为重要的是,移动应用推荐系统中的隐私保护问题仍然是一个未决问题。由于推荐结果的产生是基于对用户数据,甚至包含很多隐私数据的计算,如果不能够对用户数据进行较好地保护,将发生隐私泄露问题。针对上述问题,本文提出了两种基于信任评估的具有隐私保护功能的移动应用推荐方案。方案能够在保护用户隐私的同时向用户推荐可信的移动应用,解决用户选择可信应用的难题。两种方案拥有不同的系统结构和工作流程,满足不同的应用场景。第一种方案是一种集中式的结构,包含三种类型的功能实体,适用于集中式的云服务场景;而第二种方案是一种分布式的结构,由两种功能实体组成,可以适用于像社交网络这样的分布式场景中。方案中对于移动应用的推荐结果是基于对用户使用移动应用真实信任行为的计算而产生的,这提升了推荐结果的准确度和个性化,也避免了恶意评价带来的影响。在方案计算推荐的过程中,通过使用同态加密技术和设计的安全协议,用户的隐私数据能够得到保护,避免了隐私泄露的问题。我们进一步将提出的两种方案进行了实现,开发出了两款可以应用在不同场景下的移动App。此外,本文参照提出的安全模型,对方案进行了安全性分析,阐述了方案本身能够提供的安全保障。同时,本文对基于方案设计开发出的两款App进行了包括运行效率、内存消耗、CPU占用率、通信消耗、电量消耗等多方面的性能测试评估,通过与现有相关工作进行对比,两款App显示出更好的性能表现。最后,针对常见的三种攻击类型:坏话攻击、开关攻击和冲突行为攻击,我们进行了包含不同比例攻击者的仿真测试,测试结果显示本文提出的方案能够较好地抵抗以上常见的攻击类型,具有良好的健壮性。