随着数据共享和挖掘技术的广泛使用，数据泄露问题层出不穷，数据的隐私信息保护问题备受关注。隐私保护的异常检测研究需要在进行准确检测异常的同时兼顾所检测数据的隐私信息安全。基于这一需求，本文提出了两种基于差分隐私模型的异常检测算法，其主要的研究内容如下：
　　1.针对复杂的流形数据集，采用欧式距离进行相似性度量无法准确刻画数据关系，且异常检测中容易遭受背景知识攻击造成隐私信息泄露等问题，本文提出了一种基于差分隐私保护模型的连通性异常检测算法。该算法首先通过基于连通性的k相似路径来刻画数据样本间的相似性，并通过在相似性矩阵上添加噪声的方式来隐藏数据之间关系，降低数据对差分隐私噪声的敏感度的同时平衡了数据的安全性和可用性。然后基于连通性的相异度和逆k相似邻居数来计算数据的异常程度。最后根据k相似路径中数据的连通性对数据进行聚类，对聚类结果判断最终异常时，提出了自适应识别异常数据量的异常判决准则，消除人为设置参数的影响。
　　2.针对高维空间中数据样本稀疏性不易刻画，检测过程中容易产生隐私数据泄露的问题，提出了一种基于差分隐私保护模型的谱映射异常检测算法。该算法首先根据数据的局部关系构建稀疏邻接矩阵，并通过差分隐私保护模型获得保留数据统计特性的不精确数据关系，改善了因差分隐私保护的加入而导致噪声过大的问题。然后计算拉普拉斯矩阵及特征值，根据相邻特征值间的最大差值自适应确定类别个数，并选取维度规约后的子空间数据样本，从而降低预设类别个数对聚类的影响，增强了聚类算法的可控性，确保得到最优划分。最后根据本文提出的异常因子判断簇中数据的离群性，确定真正异常数据，提高了异常检测算法在高维空间中的检测性能。
　　通过仿真数据集和UCI数据集实验并与经典异常检测算法对比，本文提出的算法在检测率和误判率等评价指标具有明显的优势，隐私保护度指标表明能有效对数据隐私保护。