支持向量机是建立在统计学习理论基础上的一种数据挖掘方法,与传统的神经网络等方法相比,它具有泛化能力强、维数不敏感、收敛到全局最优点等优点,很好地解决了过学习、维数灾难、局部极值等问题,成为近几年数据挖掘领域中的一个非常活跃的研究方向。现在支持向量机广泛应用于文本自动分类、手写数字识别、生物信息等领域。本文围绕传统支持向量机模型与算法在实际应用中遇到的隐私保护问题,探讨了隐私保护支持向量机模型以及数据水平分布和垂直分布下的隐私保护算法。本文介绍数据挖掘的概念、过程,支持向量机的理论基础——统计学习理论以及支持向量机方法,介绍了支持向量机产生的背景、模型与算法及其算法的进展情况,总结了支持向量机的优点以及应用领域,分析了支持向量机在实际应用中存在的个人信息泄露问题。随着人们对隐私权的越来越重视,隐私保护支持向量机成为当前研究热点。本文对隐私保护支持向量机算法进行总结与比较之后,提出了一个新的隐私保护支持向量机模型,并且从求解该模型的KKT条件出发,证明了当采用线性核函数时,所提出的模型与传统支持向量机模型具有相同的预测准确率,当采用非线性核函数时,给出了二者之间预测准确率差别的上界。根据所提出的隐私保护支持向量机模型,为水平分布数据和垂直分布数据分别设计了相应的求解算法,该算法可以保证数据的隐私性。从理论和实验两方面验证了本文所提出的模型与算法的有效性。