随着信息技术，特别是数据库技术的飞速发展，海量数据的收集、管理和分析变得越来越方便。包括分类挖掘在内的各种数据挖掘技术，在一些深层次的应用中发挥了非常积极的作用。但与此同时,也带来了隐私保护方面的诸多问题。数据挖掘技术在获得巨大利益的同时，由于被挖掘的信息或数据包含着很多个人的隐私信息，如果把这些数据库的真实数据直接交给数据挖掘者，难免会产生隐私泄露。于是，如何在数据挖掘的过程中解决好隐私信息保护的问题，成为了数据挖掘界的一个研究热点。分类技术是数据挖掘中一个研究的热点问题。现有的分类算法有：决策树分类法、最近邻法、神经网络、支持向量机分类法和贝叶斯分类法。上述这些算法中很多都是基于传统数据的分类算法，极易泄露隐私信息。随着对不确定数据逐步深入的研究，不确定数据挖掘已经成为数据挖掘中的一个热点。传统的分类方法扩展到不确定数据领域已经是一种趋势。课题重点研究了基于匿名数据的分类问题，通过k-匿名把传统数据建模成不确定数据。提出用匿名数据来建立分类器的方法。在方法中，不假设任何数据的概率分布。相反，在这些匿名数据之间建议收集所有可能的统计数据，并且作为新的属性和匿名数据一起发布。这些新属性包括每个数值QI属性的期望值和方差以及分类QI属性的概率密度函数。这样每个核函数能很容易计算。最后，利用分类器对匿名数据进行分类。提出的分类算法是KCNN-SVM分类法，实现了匿名数据分类，改进了SVM分类在建立分类模型时对于边界点的混淆，使分类模型更加精确，实验结果表明分类精度得到了提高。