数据信息爆发式增长的今天,数据既是财富,也是隐私。当数据被共享发布或分析挖掘时,如果出现隐私泄露问题,将会对个人、商业部门、政府机构等会造成重大损失和危害。因此为了防止隐私泄露,如何在数据挖掘过程中实施合理的隐私保护措施,成为了隐私保护数据挖掘的重要问题。防止数据挖掘泄露隐私的两个关键点在于被公开共享的数据和挖掘的输出模式。所以本文分别对数据发布和输出隐私两个方面进行了研究。首先对于表数据发布,深入研究了隐私保护模型及其实现方法,并将重点放在分类挖掘的隐私保护特征选择上。针对K-匿名特征选择中存在的分类挖掘性能下降问题,提出了一种基于随机森林特征重要性的K-匿名特征选择算法RFKA,得到满足K-匿名且分类性能良好的特征子集。通过与基于Hamdist的K-匿名特征选择算法Greedy_Hamdist进行对比实验,验证了RFKA算法的有效性。在此基础上,考虑到特征选择是一个NP困难问题,设计了基于改进遗传算法的K-匿名特征选择算法GAKAFS对特征选择进行优化。为了使特征子集既满足K-匿名,又能保持的良好的分类性能,初始种群染色体的生成基于较优的特征子集种子,并严格判断染色体的K-匿名性。在交叉和变异阶段设计了隐私违规检测,变异阶段还加入了趋势检测。通过将GAKAFS和RFKA得到的特征子集用于分类实验,结果表明,GAKAFS算法在相同匿名要求下得到的特征子集具有更高的分类性能。最后,考虑到决策树的挖掘结果包含了训练集数据的信息,在一定程度上也会泄露隐私数据,本文将K-匿名与含有连续值处理的C4.5进行结合,提出KAC4.5算法,保证构建得到的决策树满足K-匿名约束,不会造成隐私泄露。通过进行不同K值下决策树的分类实验,表明KAC4.5在合适的K-匿名约束并不会对决策树分类结果造成过大影响,甚至可以在一定程度上解决决策树的过拟合问题。此外还将KAC4.5与没有连续值处理的ADT算法进行对比实验,验证KAC4.5的分类效果更优。