信息与网络传播技术的快速发展使得数据的分享日益频繁,也使得个人隐私数据的泄漏风险大大增加,因此人们对自己隐私信息的保护越来越重视。在数据挖掘领域,传统的决策树分类方法并没有对数据进行保护,它只专注于提取数据集中有价值的信息和提高分类的准确率,而差分隐私对数据保护的强度很大,所以将差分隐私应用到决策树分类方法中就会有很大的意义。本文主要对基于差分隐私的决策树分类方法进行了研究,包括噪声分配、连续数据与离散数据的处理方法以及将平滑敏感度应用到随机森林决策树算法中。首先对经典的基于差分隐私的决策树分类方法进行了研究,研究发现Su LQ-ID3算法以及Diff PID3算法都无法对连续属性进行处理,Diff P-C4.5算法对连续属性处理消耗隐私预算太多,针对上述问题提出了DPE-C4.5算法,该算法采用指数机制,对连续属性采用比率确定分割点,与离散属性共同参与分裂属性的选择。最后使用指数机制向数据中添加噪声,确保算法满足差分隐私保护要求。实验结果表明,对于相同的隐私预算ε,分类的准确度与现有的决策树相比有一定的提升。基于差分隐私的随机森林决策树算法使用的全局敏感度,计数函数的全局敏感度为1,使用平滑敏感度并不能降低计数函数的敏感度,但在构建决策树时,查询数据会消耗不必要的隐私预算,所以本文针对这个问题提出PRFSen算法,该算法将平滑敏感度应用到基于差分隐私的随机森林决策树中,并且在构建每一棵决策树的时候使用比率确定连续属性的分割点来参与节点属性的选择。实验结果表明,本文在相同的隐私预算ε下,提出的改进算法可以提高分类准确率。