机器学习模型训练数据的隐私面临成员推理攻击的威胁,攻击者通过正常的访问模型,便能推测访问数据是否来源于模型的训练数据。目前存在着许多针对成员推理攻击的防御研究,它们主要采用两种方式来实现:一种是通过降低模型的过拟合程度,另一种是对成员信息进行隐藏。然而,现有的成员推理防御方法仍存在防御成本较大以及隐私与效用无法得到良好权衡的问题。本论文通过对成员推理攻击与防御方法进行深入研究,以在有限的防御成本中权衡模型隐私与效用为目标,分别从模型训练优化角度与模型结构优化角度出发,设计高效的模型训练数据的隐私保护方案。本论文的主要贡献概括为以下两点:（1）提出了一个安全且有效的训练优化方案（Squeeze-Loss）。通过深入研究成员推理攻击隐私防御方案,设计了一个降低模型训练损失和测试损失之间差异的防御方案。该方案从模型训练优化的角度出发,首先设计了梯度上升机制实现降低机器学习模型的过拟合程度,以缩小模型在训练数据与测试数据之间存在的损失差距。其次,本方案引入了用于判断模型是否存在过拟合趋势的验证数据集。一旦模型出现过拟合,本方案便触发梯度上升机制,拉近模型在训练数据和测试数据之间的损失差距。结合理论分析以及实验验证表明,本方案在实现隐私保护的同时也最大程度的保留了模型的效用。（2）提出了一个新颖的隐私与效用权衡的防御框架（KD-DPSGD）。针对差分隐私在防御成员推理攻击中造成的模型性能损失问题,设计了一个有效缓解该问题的方案。该方案从模型结构优化的角度出发,首先结合知识蒸馏技术实现对模型的压缩,达到缩小模型结构和参数的目的,并尽可能的保证小模型的性能。其次,在压缩后的模型上应用差分隐私技术。在定量的隐私预算下,该方案可缓解差分隐私对模型性能造成的损失,并达到较好的隐私保护目的。为了证明该框架对模型隐私与效用性能的有效性,本文在多种成员推理攻击下,对该防御框架的隐私与效用进行了评估。