大数据时代,各个行业都累积了海量的数据,过量的数据在处理过程中如果选择方法不当易引发“维度灾难”。主成分分析作为一种标准的数据分析和统计方法,能够将原始高维数据在k维主成分空间中投影获得低维数据,从而降低数据维度,简化数据分析难度,节约计算成本。当前大规模增加的数据信息隐藏着诸多隐私数据,若不加以保护,将极大可能造成隐私泄漏。而且传统的隐私保护模型（k-匿名,l-多样性,t-逼近）在隐私保护过程中面临着同质性攻击、相似性攻击等风险,无法对数据集进行有效保护。差分隐私模型立足于坚定的数学理论基础,基于最大背景知识假设,提供可证明的数学模型,仅通过加入噪音的方式就可以实现,成为了当下最为有效的隐私保护机制之一。主成分差分隐私算法将差分隐私与主成分分析算法相结合,一方面可以实现高维数据向低维数据的转化,另一方面可以实现对原始数据的隐私保护。目前的主成分差分隐私算法主要对投影矩阵或者协方差矩阵的全部元素加噪音的方式实现,导致噪音过大,数据集可用性急剧下降。本文考虑在协方差矩阵局部加入Laplace噪音对数据集进行差分隐私保护,提出了基于协方差矩阵的主成分差分隐私算法CMPDP。该方法通过对协方差矩阵C的主对角线加入Laplace噪音,相对于对协方差矩阵全部元素或全部数据加噪音而言,加入的噪音更小;并在理论上证明了CMPDP算法服从严格的差分隐私保护的数学定义;通过噪音分析得到本算法添加的噪音量小于传统Laplace、LOP、Wishart、PCA-based-PPDP等算法;最后本文以均分误差MSE和分类正确率作为评价指标,通过在多种数据集上与PCA-based-PPDP算法比较,得到CMPDP算法均方误差MSE更小,分类准确率也更高。因此通过理论分析和实验验证均证明了本文提出的CMPDP算法能够对发布的数据集提供差分隐私保护,且添加的噪音更小,数据的可用性更高。