随着信息技术的飞速发展,网络中的数据共享和交换行为出现得越来越频繁。由于数据挖掘能从信息数据中提取有用的信息,因此它被作为分析工具而得到了广泛应用。而同时数据挖掘带来的隐私问题已经引起了人们的关注。本文主要研究分布式下的隐私保护数据挖掘算法。论文的主要工作如下:第一,对隐私保护数据挖掘算法进行了概括。然后,定义了数据挖掘中隐私的基本概念,并指出了隐私保护机制的目标。第二,本文结合数据分布方式、数据修改方式和隐私保护技术等角度,对当前典型的隐私保护数据挖掘算法作了一个全面的分析和介绍。第三,本文在相关研究的基础上,将同态加密和保序加密相结合,提出了一种新的支持隐私保护的分类算法。本算法在保证挖掘结果的前提下,解决了密文的数学运算和数值比较问题,满足的挖掘的隐私保护需求,并且降低了算法的通信和计算复杂度。实验结果表明:相对于同类算法,本算法是一种通信复杂度为线性级的高效解决方案,在计算效率方面也有了较大的提高。第四,通过改变数据垂直分布条件下聚类步骤,提出了一种基于加密技术的聚类方法。本文将该方法应用到了k-中心聚类算法当中,实现了保护数据隐私安全的同时,能进行有效的聚类挖掘。实验结果表明:本文算法在计算开销和通信开销之间可以达到一个较好的平衡,与同类算法相比,该算法具有运行效率高、计算和通信开销较小的特点,并且通过隐藏明文的分布,使所有的站点都可以得到有力的保护,解决了站点子集隐私泄漏的问题。