信息技术的飞速发展,全球定位系统的迅速普及,使得针对空间数据的查询、挖掘技术都变得越来越成熟。空间数据作为当前最为普遍的数据类型之一,因其数据量庞大、数据不断集成和随时间不断变化等特点被广泛地运用到地理信息系统、多媒体系统、航天航空系统等领域当中。然而对于空间数据进行查询挖掘,在获得到有利信息的同时,随之而来的隐私安全问题也不容忽视。如近来颇受关注的谷歌搜索窃取用户位置隐私数据等重大事件已经成为全球人民议论并持续关注的重要问题。差分隐私作为当前一种新型的隐私保护模型,因其严格定义了攻击者的背景知识,拥有严谨的统计学模型,并提供了定量地数学理论分析与证明等特点,被广泛运用到数据查询和数据挖掘当中,但目前国内外针对空间数据与差分隐私结合的学术研究还相对较少。因此,本文旨在利用差分隐私技术解决空间数据查询和挖掘方面的隐私安全问题,对查询和挖掘算法进行保护的同时提高数据可用性。本文利用空间数据的索引代表结构四叉树,围绕四叉树在查询和挖掘算法中存在的隐私问题展开研究,凭借四叉树的范围计数查询及四叉树索引距离算法的概念,结合不同的差分隐私预算分配方式,设计了面向查询的四叉树差分隐私混合分解算法和面向挖掘的差分隐私四叉树密度聚类算法。本文的主要工作如下:(1)针对空间数据查询和挖掘过程中可能存在的隐私泄露风险,分析了典型的隐私保护方法的优缺点,并基于四叉树结构,研究差分隐私和空间数据算法的结合,实现隐私保护和数据效用性之间的平衡。(2)针对空间数据查询过程中带来的隐私安全问题,首先采用分层思想将查询区域划分为稀疏区和密集区,针对密集区域提出了基于四叉树的优化算法,并基于不同层次下的阈值区域采用了与之相应的差分隐私预算分配。由于四叉树优化算法会受输入参数递归的影响,故提出偏差计数的形式,减少了输入参数依赖的同时提高了算法精度。四叉树递归深度越深则意味着数据越敏感,故针对密集区域内不同深度的四叉树采用几何分配的隐私预算方式使敏感数据的保护进一步加强。针对两组社交网络的真实数据集,通过相对误差分析表明,所提算法与AG算法、UG算法以及统一预算分配下含递归深度的四叉树分层算法相比,在增强了区域计数查询准确性的同时也对隐私起到良好的保护作用。(3)针对空间位置数据挖掘过程中因测量距离方式不够精准带来的误差影响及距离信息泄露造成的隐私安全等问题,提出依据维度划分的基于差分隐私的四叉树索引距离算法,由于密度聚类算法受输入参数影响较大,故在四叉树索引距离算法上提出改进的DBScan密度聚类方法。四叉树递归深度越深则意味着数据越敏感,故针对深度较大的数据节点采用斐波那契的预算分配方式使对敏感数据的保护进一步加强。利用三组真实数据集和一组合成数据集,通过F-度量和CH指标分析表明,所提算法与基于差分隐私的DBScan密度聚类算法相比,在满足数据隐私安全性的同时进一步提高了算法的聚类准确度。