数据挖掘能够发现数据中的潜在规则模式,为辅助决策提供支撑。聚类是数据挖掘的重要基础功能,聚类过程对业务数据的访问不可避免地带来隐私泄露问题。随着人们对个人隐私的日益重视,如何在保护数据隐私的同时实现聚类成为亟待解决的问题。差分隐私是实现隐私保护的一种有效技术,近年来得到了研究者的持续关注。针对现有基于差分隐私的聚类方法在隐私安全和聚类质量方面存在的不足,提出基于差分隐私的距离矩阵扰动方法,以及基于扰动后矩阵的KQ-Means聚类方法和MCP-DBSCAN聚类方法,提升聚类结果精度,实现数据隐私安全和聚类可用性的兼顾。论文主要工作如下:（1）针对已有基于差分隐私的k-means聚类方法仅对聚类中心点的计算过程进行加噪扰动,未考虑非中心点在聚类过程中存在的隐私泄露风险问题,提出对原始数据集的数据点间距离进行加噪扰动的LDM加噪方法。通过提取原始数据集的点间距离并添加满足差分约束的噪声,构建噪声矩阵Dist M,实现对点间距离的隐私保护。将噪声矩阵提供给非可信挖掘方,进一步设计基于噪声矩阵的KQ-Means聚类方法,引入k最近邻概念,设计并改进聚簇划分方法,将数据记录分配到距其最近的q个中心点的期望区间内,减小多轮迭代过程中差分噪声累积产生的聚类误差,提升聚类效果。（2）针对已有基于差分隐私的DBSCAN聚类方法,对邻域半径参数eps设置困难,影响隐私保护聚类质量,且聚类采取逐个判定核心点并进行聚簇合并的方法,导致差分噪声严重影响聚类精度问题,提出基于差分隐私的MCP-DBSCAN聚类方法。通过计算点间距离并结合k距离升序曲线图选取合适的邻域半径参数eps,实现聚类精度的提升;通过对加噪后距离矩阵列向量进行排序构建Asc矩阵,将Asc矩阵的第Minpts行向量与邻域半径参数比较进而判定核心点,并以最远距离原则选择从多个核心点出发进行样本点的聚簇归属判定,在兼顾隐私前提下,提升隐私保护密度聚类效率和精度。理论分析与实验结果表明,所提方法能够有效地兼顾数据隐私安全与数据聚类结果的可用性。