在当今这个大数据的时代,越来越多的生产和活动被数据化到网络和数据库上。这些大数据记录了人们生活的方方面面,研究这些数据会发现许多有价值的信息。诸如沃尔玛超市将尿布啤酒放在一起买的例子就不多说了。大数据在医疗和商品推荐方面的应用更是具有极大的商业价值。在使用大数据之前我们需要了解到现今数据表现出来的一些特征。由于现今互联网的普及,数据显示出分布广泛、更新快速、高维度和隐私性的特点。为了解决这几点问题,本文提出了一个具有隐私保护的分布式在线学习框架来对这些数据进行挖掘学习。本文假设在这样一个场景下:数据的收集与存储是分布在不同的数据中心;由于隐私保护的原因,不同数据库是不能进行原始样本数据的交换;但是为了充分发掘数据中的价值,各个数据中心必须协同合作完成研究。为了解决在上述场景下的数据研究,那我们必须赋予每个节点(数据中心)根据本地数据进行独立学习处理数据的能力。节点之间只能交换计算中的中间变量。本文首先研究的就是如何在有限交流的情况下是的整体节点目标优化函数收敛大一起。伴随着数据交流必有隐私泄露的风险,因此我们有考虑在分布式计算引用差分隐私来保护数据的安全。本文主要的贡献在于理论上数学证明的这种分布式计算的可行性和安全隐私保护的级别。并且做了大量的实验验证理论推导的正确性。最后,本文根据实际场景,对我们的算法提出了两点拓展应用。一是将分布式在线学习的计算结果可以转化为相应的离线算法收敛结果;二是采用mini-batch的方法增加每次迭代使用的数据样本数量,加快计算效率并提升隐私算法的效用性。本文研究工作已发表国际两篇国际学术会议论文和一篇知识挖掘A类期刊TKDE。