随着大数据时代的蓬勃发展,相关社会机构可以获取大量数据,这些数据创造了巨大的商业价值和科研价值,但又常涉及到个人隐私,直接对其进行分析研究会造成隐私泄露。因此,大数据应用发展所面临的一大挑战就是隐私保护。差分隐私是一种新型的隐私保护技术,现已被广泛应用到各个领域中,其中在差分隐私下对线性回归模型的研究受到广泛关注。但当数据具有异常值时,线性回归模型将不再适用,而分位数回归模型不仅弥补了线性回归模型在数据具有异常值时的不足,而且可以更加全面地描述被解释变量的全貌,因而分位数回归模型被广泛应用于经济、医疗、教育等领域中,但现有的分位数回归建模没有考虑隐私保护的问题。因此,本文研究差分隐私下分位数回归模型的估计问题具有一定的理论意义和实际应用价值。基于差分隐私下经验风险最小化方法,本文研究了光滑近似分位数回归模型的估计问题。具体为,在拉普拉斯机制下提出了既能有效保护数据隐私又能保证参数估计精度的三种差分隐私算法,分别为:输出扰动、目标函数扰动和梯度扰动。同时,通过数值分析验证了算法的有效性,得到如下结论:目标函数扰动和梯度扰动的估计都能在隐私保护程度较高时接近非隐私保护下的估计精度;在相同的隐私保护程度下,目标函数扰动估计精度最高,但当样本量较大时,梯度扰动的估计精度接近于目标函数扰动的估计精度,且计算速度更快。