近年来,机器学习技术的不断深入研究发展使其在各个领域中都获得了巨大的成功,如语音识别、图像处理以及个性化推荐等。为了提供更加精确和多样化的服务,机器学习技术需要进行海量的数据收集与训练。然而,这些用来训练的用户数据通常涉及个人的敏感信息,直接将用户数据用于模型训练将存在泄露用户隐私的风险。因此,亟需一种有效的隐私保护方案使得数据隐私得到保障。本地差分隐私作为一种新兴的隐私保护方法,与传统差分隐私不同,它假设第三方是不可信的,并在数据拥有方完成对数据的扰动,以提供更加严格可靠的隐私保护。同时,对比于加密算法,该隐私保护方案计算成本更小,因此更适用于大量数据收集和分析的场景。然而,数据使用本地差分隐私方案进行扰动后具有较低的效用性,如将其用在深度学习等需扰动数据较多的场景中得到的模型准确率较低。针对上述已有本地差分隐私方案中存在的数据准确性较低问题,本文针对连续型数值数据,提出了一种满足本地差分隐私的分类变换扰动机制NTC。跟已有方法中直接对所属数据类型使用对应的扰动方法进行扰动不同,本文提出的机制首先将数据类型进行了转换,将数值型数据转换成了一维二元分类数据并对分类数据进行扰动。扰动完成后,再将分类数据逆变换为数值型数据。在真实的数据集以及合成的数据集上的实验结果表明,本文提出的扰动机制不论是用于均值估计还是经验最小化任务得到的结果误差均小于已有的方法,能够在保障用户隐私的同时进一步提高数据的效用性。为了解决本地差分隐私机制在深度学习等需扰动参数较多场景中可用性较差的问题,本文综合利用了加密算法以及扰动机制的优点,提出了一种同态加密及本地差分隐私混合机制P-LDP。为了更贴合实际中的用户隐私需求,该混合机制除了使用NTC机制对模型参数进行加密之外,还根据用户的分类,对部分有需求的数据进行加密。本文采用联邦学习技术在三种图像数据集上进行了实验和对比,通过对比不同隐私保护方案的图像分类结果进一步验证了本文提出的隐私保护方案的正确性和可用性。