移动互联网和高性能终端设备的快速发展，尤其是GPS定位应用的不断完善和普及，给人们的日常生活带来极大的便捷，基于位置的服务（Location Based Service，LBS）在生活中成为我们不可或缺的服务。由于用户进行LBS服务请求需要提供自己精确的位置经纬度，攻击者很容易通过获取用户的位置信息推断出个人隐私，给正常的工作生活带来困扰。研究位置服务隐私保护技术在快速发展的移动互联网时代显得尤为重要。　　本文对目前国内外位置服务隐私保护研究的现状进行了详细的介绍，深入分析了位置服务保护的体系结构和技术手段，分析各自的优势和不足。着重研究了基于泛化技术的K-匿名隐私保护方法，对几种典型的K-匿名算法进行深入的对比分析，特别是详细介绍了Casper模型和算法，肯定它抗攻击性和快速检索的优势，也指出其存在不足，并相应提出了一种基于贪心思想的K-匿名GKA算法，充分考虑目标用户和相邻区域用户的分布情况，每一步都选择当前最优的相邻区域，并且对构建的匿名区域进行冗余优化，减少匿名区域面积，提高用户的服务质量。针对普通用户对选择自己隐私匿名度的困惑，本文提出一个学习框架，帮助用户选择自己的隐私偏好，有效管理和获取需要匿名用户的隐私内容。分析一组影响隐私配置选择的因素，构建自适应学习模型来帮助用户做出正确的决定，保护他们的隐私信息。随着学习模型的成熟，将以最小的用户干预来管理不同情况下不同用户的隐私偏好，防止隐私泄露，并鼓励用户使用模型推荐的隐私设置。　　论文采用NG路网节点生成器对理论进行分析和完成仿真实验。结果表明基于贪心思想的K-匿名算法在位置隐私匿名效果和稳定性方面都优于Casper模型算法，具有良好的位置隐私保护效果和较高的效率。