近年来互联网和通信技术的发展极大地促进了大数据和数据挖掘技术的成熟。随机森林作为数据挖掘中常用的分类算法,被广泛应用到各个领域,支撑各研究机构、商业组织、医疗机构等进行数据的挖掘与分析。然而,在挖掘与分析过程中,不正确使用数据经常导致隐私泄露问题,为此很多机构和个人不愿意提供更多的信息,不仅限制了数据共享的进展,还严重阻碍了数据挖掘技术的发展。围绕分类算法设计相应的隐私保护策略并为待分类数据提供隐私保护,已成为当前数据挖掘技术迫切需要解决的问题。相较于传统隐私保护技术,差分隐私技术对于隐私保护的定义更加严格。它给出了一种极其严格的攻击模式,在该模式下攻击者能掌握最大的背景知识,差分隐私保护机制通过向原始数据集或其统计信息中添加噪音来提供隐私保护。本文提出了基于差分隐私的随机森林算法,用于保护数据分类过程中涉及的用户敏感信息,论文研究工作可归纳为以下几点:(1)差分隐私通过增加扰动噪声来提供隐私保护,这将导致随机森林算法分类准确率下降。为了减弱差分隐私保护对随机森林分类精度的影响,提出了一种混合决策树算法。对于随机森林中单个决策树的构建,综合ID3算法中的信息增益与C4.5算法中的信息增益比,生成新的属性度量IG_GR,提高了单个决策树的分类准确性。(2)对于随机森林算法,提出了一种新的隐私预算分配策略:对于决策树中不同深度的节点,按权重对其计数查询和属性查询分配隐私预算,用以均衡差分隐私技术对决策树中不同深度的节点造成的信噪比。同时,将混合决策树算法应用到随机森林构建中,设计了基于差分隐私的随机森林算法,平衡了算法的隐私性与分类准确性。(3)将上述设计的混合决策树算法和基于差分隐私的随机森林算法在UCI的Adult和Mushroom数据集上进行实验。结果证明,相较于传统决策树算法,本文提出的混合决策树算法分类精度更优;基于差分隐私的随机森林算法在确保高分类性能的前提下,可以提供有效的隐私保护。本文的工作实现了隐私性和分类准确性之间的平衡,具有实际应用价值。