通常高维数据中蕴含着大量的隐私信息,如果直接发布可能导致隐私的泄露。虽然差分隐私技术能够严格地保护数据的安全,但随着数据属性维度的增加,其产生的时间成本和噪声干扰也将随之增大。尤其是对于高维二值数据很容易被过大的噪声所覆盖。在现有的高维数据差分隐私发布方法中,很少有针对高维二值数据的发布方法,以致于大多都无法很好地解决该类型的隐私发布问题。因此本文结合现有的方法,针对高维二值数据的隐私发布问题展开了一系列的研究。本文主要的工作内容如下:（1）研究了高维数据差分隐私发布方法中的概率图模型方法。针对现有方法在构建概率图模型时没有区分相互独立的属性从而导致模型精度低的问题,提出了一种满足差分隐私的谱聚类算法DPSC（Differentially Private Spectral Clustering）来对数据属性进行划分,并根据划分结果来分割原始数据集从而实现数据降维。在这个过程中针对二值属性引入Jaccard距离作为属性间关联性的衡量指标,并论证了相比于常用的互信息,该指标拥有更低的敏感度和更高的精度。最后对算法进行拓展,使其能够适用于任意的高维数据。实验表明,使用DPSC算法作为现有发布方法的预处理手段能够在一定程度上提升发布精度。（2）研究了概率图模型方法中的贝叶斯网络模型方法。针对现有的方法在构建贝叶斯网络时的时间复杂度过高（指数级）以及所构的网络存在隐私泄露的风险等问题,提出了一种满足差分隐私的自适应贝叶斯网络快速构建算法AFBN（Adaptive Fast Bayesian Network）。该算法通过动态规划算法减少了大量的重复计算提升了网络的构建速度,使用指数机制保护了网络的隐私安全,利用自适应算法解除了传统方法中网络最大入度数的限制提升了网络的质量。实验表明,AFBN算法比传统的Greedy Bayes算法在时间性能和网络质量上都有着显著的提升。（3）研究了贝叶斯网络模型方法中的概率分布加噪方式和合成数据生成方法。针对现有的加噪方式存在概率值大规模失真问题和生成方法存在低概率样本采样误差较大问题,提出了一种概率分布加噪算法BNC（Binary Noisy Conditionals）和一种合成数据生成算法GIO（Generate In Order）。这两种算法都利用条件概率在二值数据上的取值特点,以及BNC算法通过控制网络最大入度数减少了概率值失真出现的次数,而GIO算法利用网络的拓扑序提升了合成数据的精度。实验表明,相比于传统方法BNC算法具有更低的概率误差和GIO算法具有更高的发布精度。