得益于互联网和大数据等技术的快速发展,蕴含在社交网络中的海量数据可以给社会的生产生活带来巨大的价值,但在社交网络的数据发布和数据挖掘过程中可能会引发隐私泄露的问题。因此,如何做到在不泄露社交网络隐私信息前提下,进行安全有效且有价值的数据发布和数据挖掘是当前一个研究热点。差分隐私作为一种重要且有效的隐私保护方法,目前已被应用在社交网络隐私保护。本文针对社交网络隐私保护和差分隐私方法的结合展开相应研究,并做了如下工作:（1）本文介绍了社交网络的概念及其特点和差分隐私基本理论,分析了社交网络中面临的隐私泄露问题,说明了社交网络的隐私保护要求,总结了针对社交网络中的常见的隐私保护方法,阐明了差分隐私具备的数据保护能力,并回顾了近几年领域内的相关学术成果。（2）针对社交网络数据在直方图发布过程中存在的隐私泄漏和查询精度低问题,本文基于差分隐私保护模型,提出了一种相邻桶分组划分方法（Adjacent Group Bucket Dividing,AGBD）。采用图映射方法对社交网络进行节点差分隐私处理,同时针对映射方法在直方图发布过程中存在的引入过量噪声问题,本文提出的AGBD方法使用贪心策略,并结合Laplace机制对相邻桶进行分组划分以减少由于添加过量噪声对直方图发布质量的影响。同时利用排列保序方法优化直方图发布,提升直方图发布查询的精确性。实验结果显示本文提出的AGBD方法可以提升直方图发布后的查询精度。（3）针对社交网络数据中在分类模型的训练和预测过程中面临的隐私泄露问题,本文利用差分隐私保护模型和自适应增强集成学习策略,提出了一种基于差分隐私的集成学习方法（Differential Privacy Ensemble Learning,DPEL）。该方法的核心思想是在基于决策树的个体分类器构建完毕后,结合噪声添加机制,然后将预先分配好的隐私预算加入到个体分类器的组合过程中,最后得到带隐私保护的强分类器,并对DPEL进行ε-差分隐私性证明。实验结果表明本文提出的DPEL方法可以在保证一定数据隐私信息的前提下,使分类模型仍然具备较高的分类准确度。