随着位置感知设备和无线通信的爆炸式增长,用户的移动轨迹很容易收集,并且有利于用户和服务提供商发布轨迹数据。越来越多日常生活中的应用程序正在挖掘分析这些数据,以丰富人们的生活,比如位置社交应用,基于位置的服务和移动健康。发布轨迹数据用于数据分析对用户和研究界都是有益的。然而,即使在将用户身份从数据库中移除之后,轨迹数据发布也可能对用户造成隐私威胁。在有些数据驱动的应用中,轨迹通常由一个标签和一系列时空点组成。本文对轨迹数据进行了深入研究,将轨迹数据发布中隐私保护机制分为基于分区的和基于差分隐私的隐私保护机制,并分别提出相应的两种方案。针对基于分区的隐私保护机制,本文设计了(l,α,β)-隐私模型来抵御记录链接,属性链接和相似性攻击三种攻击。并且本文设计了一种新颖的扰动方法来解决,这种扰动方法根据定义的可用性函数来选择加点或减点操作,依此规避传统方法中过多的抑制时空点带来的过多可用性损失。针对基于差分隐私的隐私保护机制,本文首次使用差分隐私来实现轨迹数据发布中位置和隐私标签隐私保护的解决方案并且首次注意到了轨迹中异常值的可用性价值,予以保留并加以隐私保护。本文设计了一种新颖的基于图的差分隐私加噪算法,其中包括轨迹的聚类和泛化,基于图的时空点差分隐私,以及发布带隐私标签轨迹数据三个步骤。本文针对提出的基于分区的和基于差分隐私的隐私保护方案,分别在真实数据集上进行隐私和可用性方面的验证。针对隐私机制的隐私保护和可用性两方面,进行理论或实验证明。理论分析与实验结果显示,本文提出的方案能够在保护用户隐私的同时,还可以保护数据可用性。