在信息交流共享日益频繁的今天,隐私安全问题越来越引起人们的重视。通常的数据挖掘算法只关注于有用信息的提取,而忽视了数据信息的隐私保护,因此差分隐私保护与数据挖掘算法的结合具有十分深刻的意义。本文主要进行了关于差分隐私保护分类算法的研究,特别针对不完全数据集,提出了特殊的缺失值处理方法。首先研究了差分隐私保护分类决策树算法。根据现有算法的缺陷与不足,提出了指数机制的随机森林决策树算法。并针对带差分隐私的ID3和随机森林决策树算法,基于不完全数据集,运用动态权重更新的思路提出了WP缺失值处理方法。实验表明,该方法能够在提供同等差分隐私保护的前提下,进一步提升算法的准确率,提高其实用性。然后研究了基于完全数据集的差分隐私保护Adaboost算法。在Adaboost分类算法弱分类器构造过程中,将预先分配好预算的差分隐私保护噪声加入到算法中,实现了DP-Adaboost算法。实验表明,完全数据集下的DP-Adaboost算法分类结果相对于带差分隐私的ID3和随机森林决策树算法有一定的进步。最后研究了DP-Adaboost算法的变形,使其适应于不完全数据集。针对不完全数据集,为每一个弱分类器增加了隐私权重指数,同时在加入差分隐私噪声的过程中,动态地改变了差分隐私敏感度,实现了差分隐私保护Adaboost缺失值处理算法。实验表明,该算法具有更好的分类准确性以及更强的数据适应性。