随着基于位置服务应用的普及,应用提供商积累了大量的用户轨迹数据。通过数据分析,研究者从发布的轨迹数据集中提取出许多有用的信息,这些信息在交通监控、城市规划、移动性管理等领域有着广泛的应用前景。然而,直接发布蕴含丰富隐私信息的轨迹数据存在泄漏用户隐私的风险,为此需要在发布前对轨迹数据进行处理。由于轨迹数据具有规模大、维度高、背景知识丰富等特点,面向移动设备轨迹数据发布的隐私保护技术研究面临着严峻的挑战。本文针对轨迹数据发布中的隐私保护问题开展研究,提出了一种基于轨迹分段的轨迹数据隐私保护算法,该算法包含两个子算法。首先,针对传统方法丢弃时空点数目过多、划分后的等价类包含轨迹数目可能过少的问题,提出了一种基于轨迹分段填充的等价类划分子算法。算法将原始轨迹数据集划分为若干等价类,如果原始等价类大小小于阈值,便进行轨迹分段填充:选出若干等价类作为被分割的等价类(这些等价类的时间区间为当前等价类时间区间的超集),然后将从被分割等价类中截取的轨迹分段填充到当前等价类。其次,针对传统方法时空点扰动距离过大以及删除的轨迹数目过多的问题,提出了一种基于轨迹分段聚类的聚类组构建子算法。算法的作用是将每个等价类划分为若干候选聚类组,首先根据聚类组开始时刻的位置将等价类包含的轨迹划分为若干候选聚类组,之后遍历每个候选聚类组以确定构成当前聚类组的轨迹集合和当前聚类组的结束时间,最后将未加入聚类组的轨迹分割为多个轨迹分段,并填充到对应等价类中。在实验部分,分别从安全性、可用性、执行效率三个角度,将本文提出的算法(由等价类划分算法、聚类组构建算法两者构成)与经典算法NWA进行对比。实验结果表明,本文所提出算法在数据集包含轨迹数目较多、各轨迹的时间区间相差不大的情况下具有更低的隐私泄漏风险、更小的数据损耗、更少的运行时间。