在当今这个信息共享的大时代背景下,数据挖掘与数据发布中存在的隐私保护问题,一直是信息安全领域正在深入研究的重点。其中,匿名化技术是当前主要的隐私保护技术之一,它能够有效降低用户的隐私信息被泄露的风险,同时又能保证数据存在一定的真实性与可用性。除此之外,差分隐私保护技术也是隐私保护技术的研究热点之一,它具有严格的数学证明,能够克服传统的隐私保护模型所需背景知识假设和无法定量分析隐私保护程度的缺点。但是使用隐私保护技术后的数据,往往会造成数据的可用性降低,因此如何使隐私保护和数据可用性这两者平衡则是现在急需解决的问题。本文针对 DCMDP（density-based clustering mechanism with differential privacy）算法可用性差和算法执行效率低的问题展开研究。通过深入分析制约该算法可用性差和执行效率低的因素,研究设计了改进算法。主要的工作内容和成果如下:1)针对DCMDP算法匿名化导致数据过度泛化的问题,研究设计了 KDCMDP（k density-based clustering mechanism with differential privacy）算法。该算法采用微聚集算法的思想,将DBSCAN算法聚类得到的簇再进一步进行k划分,得到较小的相似等价类,将等价类记录数量控制在k到2k-l之间,实现匿名过程中的最优k划分。且在进行DBSCAN聚类时构造距离相似性矩阵,用以存储数据集中任意两点之间的距离,解决因再次划分消耗大量时间的问题。通过计算每个等价类的记录数和总值,分别对记录数和总值添加拉普拉斯噪声,更新等价类的质心值,让新的质心值代替等价类里其它记录的值。实验结果表明,KDCMDP算法比DCMDP算法的信息损失量更小,具有更高的数据可用性。2)针对KDCMDP算法由于聚类导致效率低的问题,研究设计了 KGDCMDP（kgroup density-based clustering mechanism with differential privacy）算法。该算法采用分组算法将数据集划分成多个组,然后再对组进行聚类,实现簇内数据高内聚,簇间数据低耦合。最后对生成的每个簇中的每个组进行k划分。KGDCMDP算法在分组和聚类过程减少了邻域查询,同时针对每个小组划分,减少距离计算。实验结果表明,KGDCMDP算法比KDCMDP算法具有较高的效率。