为空间众包中的工人分配任务是后续收集位置相关数据的重要前提.为了应对可能的位置隐私泄露问题，研究者往往结合地理不可区分性进行保护.现有满足地理不可区分性的任务分配方法通常针对一对一场景，其研究目标一般集中在最小化平均旅行距离，而不是最大化任务分配数量；同时，它们假设工人能分配去执行任意的任务.此外，这些研究往往结合平面拉普拉斯机制实现地理不可区分性.上述机制的随机性和无界性会导致工人上传的位置数据包含过量噪音，进而降低任务分配的效用，导致工人平均旅行距离较大或者任务无法完全分配.为解决以上问题，本文提出满足地理不可区分性的偏好感知多对多任务分配算法MONITOR(Many-to-many　task　allOcation　under　geo-iNdIsTinguishability　for　spatial　crOwdsouRcing).该算法主要思想是对工人的偏好任务进行分组加噪并上传工人真实位置到模糊偏好任务位置之间的距离以代替直接上传工人的模糊位置.在MONITOR中，为了收集任务分配必需的工人到任务的距离信息，设计了基于分组的模糊距离收集方法　GroCol(Group-based　obfuscated　distance　Collection)；同时为了提高任务分配的效用，设计了参数无关的模糊距离比较方法　ParCom(Parameter-free　obfuscated　distance　Comparison).此外，本文进一步从理论上分析了MONITOR的隐私、效用和复杂度.在2个真实数据集和1个模拟数据集上的实验结果表明MONITOR取得与非隐私任务分配类似的任务分配数量，且较基准方法的旅行距离降低了20%以上.