近几年,数据发布在科学研究和数据分析等方面受到了广泛的关注。由于待发布的数据集往往包含敏感信息,一旦泄露会存在巨大的泄露风险。因此,包含敏感信息数据集的发布面临的主要问题在于如何保证数据的有效性和敏感信息隐私保护。匿名化是一个很好的方法,其主要思想是：在除去唯一标识符的基础上对准标识符进行匿名化,使得匿名组内的记录不可再分。目前有多种匿名化模型,有代表性的是l多样性、(a,k)匿名模型等。然而大多数模型主要侧重于使用预先定义的参数为整个数据集提供无差别的隐私保护,这并不能适应个体对不同敏感属性的多样性保护需求。综上所述,本文提出了一种满足敏感信息的多样性非相关约束的p-多样性k-匿名化模型,该模型从全局角度和个体的个性化需求两个方面综合考虑以满足敏感属性的多样性非相关约束。实现k匿名的两种方法是泛化/抑制和微聚集,用泛化/抑制方法实现匿名化存在技术效率低和数据有效性差的问题,而微聚集算法是一种较好的选择。由于传统的微聚集算法并不能满足本文所提出的匿名化模型的需求,因此,本文基于传统的微聚集算法,设计了一个改进的算法框架实现匿名化模型。利用本文设计的框架实现匿名化模型,不仅能够从技术上易于实现,同时提高了数据的有效性并降低了隐私泄露的风险。为了验证方案的有效性,我们将模型与其它两种模型：k-匿名和(0.5,k)-匿名对比,在真实数据及上进行多次试验,并从数据有效性、隐私泄露风险及时间复杂度三个方面进行分析。实验结果表明,我们设计的方案在数据集上的效果总体上要优于其它模型。