推荐系统是解决信息过载问题的有效手段,但是推荐算法在挖掘用户和产品之间的关系容易出现用户隐私泄露的问题,对用户的隐私保护造成了危害。因此基于隐私保护的推荐算法研究成为当前有待解决的问题。本文对基于压缩感知差分隐私保护的协同过滤推荐算法进行了研究,在差分隐私保护与协同过滤关键技术与理论分析的基础上,研究了推荐系统面临的隐私攻击问题。建立了基于压缩感知差分隐私保护的协同过滤推荐模型,对压缩感知模型和对压缩后数据的差分隐私重构进行了研究,并对其中的重构流程进行了分析。构建了基于压缩感知的测量矩阵,对其中重要参数做了研究。结合差分隐私保护的原理对实现流程进行了分析,根据差分隐私保护实现流程的关键步骤,对基于差分隐私协同过滤算法进行了改进。通过在真实数据集上对构建的压缩感知测量矩阵进行对比测试实验,得到了压缩感知测量矩阵在数据重构中的均方根误差较小,验证了压缩感知测量矩阵具有较好的数据发布精度。在满足差分隐私保护的情况下在数据集上进行对比测试,压缩感知差分隐私保护在数据重构中的均方根误差较小,具有较高的信息发布精度。对改进的协同过滤推荐算法的隐私保护性能进行了测试,利用测试数据集Netflix和Movie Lens做了分析,改进后的算法比传统的具有更低的标准平均绝对偏差。该论文有图25幅,表2个,参考文献54篇。