近几年里,个人智能设备的(智能手机,可穿戴设备等)快速普及给人们的日常生活带来了巨大的便利。用户在使用智能设备的时候,会主动或被动的产生各种各样的数据,比如照片,语音,位置信息等等。这些数据极大的促进了数据挖掘、机器学习等应用的发展。例如,通过分析用户的实时时空数据,可以对交通拥堵情况,客流情况进行实时预测;通过利用用户产生的图像数据,可以训练出非常准确的深度学习模型进行图像识别。这些应用可能带来的巨大价值使得商业公司等机构有非常大的动力从用户中收集各种各样的数据。然而,从隐私的角度来看,这些数据通常包含了用户的高度敏感的信息。因此,直接的发布这些数据或对数据进行分析会引起用户对于数据隐私的强烈担忧。为了避免这种隐私泄露的发生,企业和用户都迫切需要一种能够对数据提供强大的隐私保护的技术。本文考虑使用目前普遍受业界认可的差分隐私技术,并主要关注研究了其在当前两个热点场景中的应用,第一是基于差分隐私的实时时空数据发布,第二是基于差分隐私的协同深度学习系统。针对第一个问题,本文提出了一个基于差分隐私的实用有效的时空数据实时安全发布框架E-RescueDP。E-RescueDP由6个模块组成,分别是统计值预测,抽样,自适应预算分配,动态分组,扰动以及滤波。这些模块充分利用了实时序列数据的动态变化特性,可以自适应的调整抽样间隔,为抽样点分配合适的隐私预算,同时,基于动态规划的动态分组算法可以为当前时间寻找到最优分组策略,很好地解决了时空数据的稀疏性对数据可用性造成的影响。理论分析证明了E-RescueDP满足w-事件ε-差分隐私。大量的基于真实数据集的实验表明本文提出的方案优于现有方案。针对第二个问题,本文提出了一个具有隐私保护机制的协同深度学习系统SecProbe。本文首次考虑了协同深度学习中可能存在不稳定参与者的实际情况,并设计了具体的机制抵抗其对学习模型造成的影响。本文利用了指数机制和函数机制来保护系统中参与者的隐私信息。大量的实验表明SecProbe优于现有方案。