互联网的高速发展为人类的日常生活带来了高质量的网络服务,信誉系统为网络中的各个节点提供信誉机制,节点间可以通过明确的信誉值评估信息质量,信誉系统也由此激励节点的文明行为,同时也能对服务提供方和服务消费方的未来行为做出一定的预测。信誉系统为人们提供了优良的网络服务,已被广泛应用在资源共享、电子商务与公共论坛等网络环境。然而,在大多数实际应用中,节点作为评价者提供的评价信息中还揭示了许多隐私数据。随着数据化时代的到来,如果攻击者获得这些数据并加以恶意利用,将会对节点不利,严重时还有可能对整个系统造成破坏。在系统中,需要降低节点身份与评价信息之间的关联性来达到保护节点隐私的目的;但是为了保证信誉系统的信誉机制,同时监测恶意行为,又需要将节点的评价信息与身份关联起来。这看起来似乎是相悖的。因此,需要在信誉系统能够提供良好的基于信誉的网络服务的同时,设置合理的隐私保护机制。在这一背景下,信誉系统作为一种特殊的网络模型引起了国内外学者的广泛关注。本文通过对信任模型、信誉值机制与信誉系统中隐私保护机制方面已有成果的研究,基于一系列密码学工具、匿名网络模型与机器学习的思想,提出了一种新型的支持隐私保护与安全数据处理的信誉系统。本文主要工作如下:(1)本文在一个现有的信誉系统模型上进行分析并做出了改进,基于一个特殊的匿名网络环境提出了一种新的隐私保护机制,巧妙地运用了密钥共享技术与可撤销性环签名技术,省去了大量的计算步骤,节省了计算时间,提升了系统性能。(2)目前的信誉系统在恶意行为发生时,并不能很好地对行为进行分类并处理。我们引入了机器学习的思想与机制,针对不同类型的恶意行为进行分类,并根据可撤销性环签名的特殊机制针对不同的恶意行为进行追责。同时,我们在Windows系统下基于Java开发环境与Matlab软件对系统进行了实现与仿真,结果表明我们的系统在时间开销方面优于现有的系统,并且对用户节点的行为进行了高精度的分类处理。