近年来,信息化和网络化的迅猛发展加速了数据的增长,使其呈现爆炸态势。由于数据中蕴藏着巨大价值,社会各界对数据共享、信息公开和数据挖掘等的需求越来越迫切,而以这些为目的的数据发布过程往往伴随着隐私泄露。因此,如何有效地保护隐私并且尽可能减少对数据可用性的破坏是本文的研究重点。p-敏感性k-匿名模型及其现有扩展模型能有效防止链式和同质性攻击的发生,但同时抵抗偏斜性和敏感性攻击的能力不足,甚至面临语义相似性攻击的危险。此外,不同敏感值的隐私需求并非完全一致,如果在匿名保护过程中使用“一刀切”式的统一隐私保护等级会造成对一部分信息的过度保护,而对另一部分信息保护不足。针对这些问题,本文根据敏感值的敏感度将其划分为若干敏感组,采用定量方式衡量了敏感值和敏感组的隐私需求,然后基于此提出了针对偏斜性和敏感性攻击的增强型p-敏感性k-匿名模型和相应的全局搜索聚类算法CGS。这两个增强型模型分别为（p,aisg）-敏感性k-匿名和（pi,aisg）-敏感性k-匿名。其中,前者差异化地限制了敏感组出现的总频率,实现了在敏感组维度的个性化保护,后者在此基础上根据敏感值的敏感度设置了有区别的多样性约束,在敏感值维度也达到了个性化匿名效果,减少了对低敏感信息保护过度造成的冗余信息损失。但是,（p,aisg）-敏感性k-匿名模型和（pi,aisg）-敏感性k-匿名模型仍然存在语义相似性攻击的威胁,本文在这两个模型的基础上,对敏感值进行语义类别划分,提出了针对语义相似性攻击的增强型p-敏感性k-匿名模型和适合的局部搜索聚类算法CLS。这两个增强型模型分别为（psc,aisg）-敏感性k-匿名和（pisc,aisg）-敏感性k-匿名。其中,前者具有对敏感组的个性化保护特性,后者在此基础上还添加了面向语义类别的个性化保护。实验仿真结果显示,本文所提的增强型模型和算法以较少的数据可用性为代价在更好的隐私性方面表现出了突出优势。