随着越来越多新兴技术的不断涌现,如数据挖掘、信息检索、人工智能等,其快速发展带动了大规模的数据收集,并实现了经济与社会效益共赢。与此同时,用户每时每刻都在接触大量的信息数据,且第三方应用软件将会产生大量与用户相关的数据记录。因此,对大规模的数据进行处理与分析,并应用机器学习挖掘有效信息,是目前研究的热点问题。但这也间接导致了大量敏感信息的泄露,保护个人隐私信息安全或将面临更大的危机与挑战。k-means聚类算法在数据挖掘、信息检索、机器学习、计算机视觉和推荐系统中有着广泛的应用,该算法由聚类中心初始化和迭代聚类两部分组成,聚类结果的准确性与算法的运算效率受初始中心点选择的影响。因此,在聚类分析过程中如何高效获得聚类结果并保护用户隐私是目前亟待解决的重点。目前基于安全多方计算的k-means聚类算法不能有效保证数据输出结果的隐私性,同时差分隐私k-means聚类算法因在聚类阶段向原始数据集添加噪声,在保护用户隐私的同时可能会降低聚类结果的精确度。为了提高聚类结果的可用性,保证聚类算法的隐私性,以及解决推荐系统中隐私泄露问题,本文研究了基于智能优化算法的隐私保护聚类算法。主要研究内容如下:（1）针对k-means中初始化阶段聚类中心点的选择受各种因素影响容易导致聚类结果陷入局部最优等问题,提出了基于协同帝王蝶优化的差分隐私k-means聚类算法。首先,对k-means聚类初始化过程进行了改进,并为了防止数据隐私泄露给用户带来损失,在聚类过程中通过添加适应性噪声为聚类结果提供差分隐私保护。理论分析表明,该算法满足ε-差分隐私的要求,并在保证隐私数据可用性的前提下通过实验验证表明,与其它文献中提到的差分隐私k-means聚类方法相比,本文提出的算法在群智能和差分隐私规范的协助下,聚类结果的稳定性、安全性与准确性均有所提升。（2）针对差分隐私机制在提供严格隐私保护的同时降低了聚类结果可用性的问题,提出了自适应隐私预算参数调整机制,该机制利用α-β剪枝策略寻找最优隐私预算,并应用该机制设计了DPKMCMBO和用户协同过滤算法的融合方法。实验结果表明该算法在保证推荐过程中不泄露用户隐私数据的前提下,能够进一步提高聚类结果的准确性。