云计算、大数据、人工智能和物联网等新兴技术的发展推动了各行各业构筑于数据之上的数字化转型,然而海量数据的汇聚在带来巨大价值的同时面临着严重的安全风险。目前,数据安全治理从混沌向秩序重建,从个人数据保护向行业数据安全深入细分。铁路行业拥有海量的多元异构异域数据,要实现铁路各业务部门数据的汇集、共享和联合推理等数据应用将带来更高级别的安全风险。传统的“以系统为核心”的网络安全防护体系已无法满足铁路数据流转和数据安全共享的双重需求,必须打破传统观念,在其基础上构建“以物理网络为基础、数据为中心、数据安全技术为支撑”的全方位细粒度的新型数据安全防护体系。在此背景下,本文以铁路数据安全治理为研究对象,以铁路结构化数据敏感属性识别、数据在使用和共享阶段的安全保护为切入点,采用关联分析、差分隐私、联邦学习、深度学习等相关理论与技术,对铁路数据安全治理体系架构及隐私应用计算技术进行研究。主要研究内容如下:（1）针对铁路结构化数据集的敏感属性识别和分级问题,本文引入聚类分析和关联规则算法实现敏感属性的自动化识别与分级。通过信息熵和最大离散熵对数据表属性进行敏感度量,使用关联分析挖掘属性间的关联度,实现铁路敏感属性识别和分级。（2）针对铁路数据使用阶段利用机器学习模型进行数据分析和挖掘时的隐私泄露问题,本文引入差分隐私技术对模型随机梯度优化进行扰动以保护数据隐私。分别在Res Net18和Shallow Network模型及其相应的变体模型上进行铁路图像分类任务,并通过成员推理攻击进行实证分析。实验结果表明,差分隐私机器学习方法能够在一定程度上平衡铁路业务模型的效用和隐私性,对铁路数据的使用起到隐私保护的效果。（3）针对铁路数据共享阶段训练数据样本不足、数据不流通和隐私保护的问题,本文引入联邦学习技术实现数据持有方的多方安全协作。采用联邦平均的聚合方式,在添加注意力机制的Res Net18模型下进行铁路图像分类任务。实验结果表明,联邦学习技术能够对铁路数据共享时面临的数据不流通问题提供解决思路。