网络的普及与信息化的快速发展加速了信息的共享,为人们获取信息提供了便利。其中,医疗健康数据的共享具有举足轻重的地位。但医疗健康数据中包含大量涉及用户隐私的信息,直接发布会导致用户隐私的泄露。在医疗健康数据发布场景下,从保护用户隐私的目的出发,将医疗健康数据分为单敏感属性与多敏感属性数据,并结合不同的数据特征对其进行发布十分必要。在单敏感属性医疗健康数据中,背景知识与相似性攻击是由攻击者对敏感属性值进行语义分析导致的,这两种语义攻击会造成用户医疗隐私泄露。现有的匿名模型往往只对等价类中的敏感属性值进行数量约束,存在对敏感属性语义约束不足的缺陷。针对这个问题,设计(θ,k)-匿名单敏感属性医疗健康数据保护模型。模型依据敏感属性的语义层次树将大小为k的等价类分为θ组,通过分组实现对等价类中敏感属性的语义约束。分组后,组内的记录在语义上均相似但不相同,组间的记录在语义上均相异。分组的方法使语义相似与语义相异的记录在等价类中占比适中,因而模型能够抵制背景知识与相似性双重攻击。同时,为了提高发布后数据的可用性,在满足语义约束的条件下,采用距离度量方法降低信息损失,并依据层次泛化树对等价类进行泛化,实现单敏感属性医疗健康数据发布中的隐私保护。多敏感属性医疗健康数据的敏感属性由主要敏感属性与次要敏感属性组成,数据相对复杂。除主要敏感属性容易遭受语义攻击外,主要敏感属性的敏感度、与次要敏感属性之间的关联关系也会造成信息泄露。当前的多敏感属性保护模型往往聚焦于抵制单一攻击,在医疗健康数据发布场景下并不适用。设计(θ,k,m)-匿名多敏感属性医疗健康数据保护模型,通过建立主要敏感属性的语义-敏感度二维桶,将大小为k的等价类分为θ组,实现对等价类中记录语义与敏感度两方面的分布约束,从而避免等价类遭受语义与敏感度攻击。然后对等价类中m个次要敏感属性的分布进行频率约束,避免等价类遭受关联攻击,实现对多敏感属性医疗健康数据的保护。最后,使用距离度量方法与层次泛化树降低等价类泛化时的信息损失率。实验表明:以保护医疗健康数据中的隐私信息为前提,在较小的信息损失率与较低的耗时下,(θ,k)-匿名模型可以有效抵制单敏感属性医疗健康数据共享中的背景知识与相似性双重攻击;(θ,k,m)-匿名模型能够有效降低多敏感属性医疗健康数据的整体攻击脆弱性,使发布后的数据不仅能够抵制包含背景知识与相似性攻击的语义攻击,也能够抵制敏感度攻击与关联攻击。