政务大数据的开放共享是促进大数据在政务领域应用发展的关键,其打破业务壁垒和“数据孤岛”现象,实现信息的跨部门、跨层级共享,但在共享过程中导致数据信息面临隐私泄露的风险。传统的隐私保护技术无法满足开放共享平台的多用途共享需求;也无法做到在保护数据隐私的同时保证多部门合作训练的性能。众所周知,政务大数据的存储形式各式各样,如文本,图像和视频等,不同类型数据的数据特点不同,在实现隐私保护时的方法也是各不相同的。本文将政务图像数据按照数据本身的安全保护等级分为无条件共享开放的公开图像数据,对上级部门共享开放、对同级及下级相关部门有条件共享开放的机密图像数据和仅对国家部委共享开放的绝密图像数据,并根据开放共享平台实际需求对机密和绝密数据的隐私保护方法进行了如下研究:针对可以对相关部门进行共享的机密图像数据,设计了基于目标检测算法和加密技术的共享机密数据隐私保护方法。采用目标检测技术减小了共享时的数据规模;结合非对称加密算法RSA（Rivest-Shamir-Adleman）和对称加密算法AES（Advanced Encryption Standard）,对共享数据进行混合加密,相较于单一RSA加密算法,在保护数据隐私安全的同时减少了数据加解密过程的时间损耗。通过混合加密算法对共享机密数据隐私保护方法的可行性进行了验证;通过AES算法和RSA算法的加解密时间对比对本方法的高效性进行了验证。针对无法直接共享的机密图像数据,设计了带有差分隐私的深度卷积生成对抗网络模型。该模型将差分隐私技术用于深度卷积生成对抗网络中,通过向深度卷积生成对抗网络中从判别器传递回生成器的梯度添加高斯噪声,达到在生成与原数据相似数据的同时保护数据隐私的效果。实验结果表明,该模型生成的数据可以应用于后续任务,且模型质量相较于没有隐私保护的深度卷积生成对抗网络高了0.1%。针对可以进行部门协同训练的绝密图像数据,设计了基于联邦学习的协同训练隐私保护模型。根据政务大数据环境下需要部门间合作的大都是复杂且具有相关性的任务这一现象,结合多任务学习和联邦学习,在模型训练中,各参与方传递加密后的权重向量至可信第三方,并由其对上传权重进行聚合平均,以此避免各参与方数据的直接聚集,对各方数据的隐私提供保护。该模型允许参与者在保留自己数据隐私的同时,仍受益于其他参与者的模型,避免陷入局部最优的情况。以横向联邦学习和多任务学习模型HyperFace为例,将模型应用于政务图像数据,最终结果证明协同训练隐私保护模型在保护数据隐私的同时不会降低模型的可用性。以上三种模型及方法分别对应开放共享平台中三类不同隐私级别的政务图像数据,根据平台对不同数据的隐私保护需求,设计了相应的隐私保护策略,为政务图像数据的共享应用提供了隐私保护。