随着互联网的普及和大数据时代的来临,网络中产生和传输的数据量呈现井喷式增长。很多数据往往涉及到用户隐私,包含用户不愿泄漏的信息,然而已有的数据挖掘方案很容易导致这些信息的泄漏。所以,人们希望在保护隐私的条件下进行数据挖掘,也就是在尽量保护用户敏感信息的同时挖掘出准确的结果。隐私保护数据挖掘算法多年来致力于平衡保护隐私和保持挖掘准确性两者之间的关系,但往往顾此失彼。不同的应用场景往往要求在数据挖掘算法中加入不同的隐私保护方案。而且,现今的数据挖掘场景更加复杂,越来越多的机构或个人更愿意在不损害自身敏感信息安全性的前提下,多方一起共享挖掘。因此,保护各方的数据安全并且提供准确有价值的挖掘结果就显得尤为重要。本文的隐私保护工作主要针对当前流行的数据挖掘分类模型:贝叶斯网络。首先在各参与方进行局部结构学习后计算各结点对互信息和条件互信息的值,接着加入Laplace噪声后基于安全多方计算进行求和,根据求和结果得到数学期望。然后基于模型融合的思想,在全局学习时以得到的期望作为评价标准来构建最终的贝叶斯网络结构。在融合结构学习过程中只计算了样本集中各变量间的互信息和条件互信息的值,而不直接使用局部参与方的样本信息。采用差分隐私机制通过对局部数据进行加噪处理使敏感属性失真的方法保护信息的安全;采用安全多方计算在计算互信息和条件互信息的期望值时保证求和时的数据安全,所以能够保证在结构学习时的数据安全性。最后,基于已有数据样本进行参数学习得到完整的贝叶斯网络。本文的算法可以在保护用户隐私的提前下提供有效的参数学习和预测结果,实验结果表明:相比于同领域的其他方案,本文设计的方案可以在有效地保护各方敏感信息下得到正确的分类结果。