大数据时代,如何从数据中挖掘出有价值的信息是数据研究人员们研究的重点。其中分类是数据挖掘的重要领域,支持向量机分类方法是目前应用最广泛的方法之一。虽然支持向量机分类方法有坚实的理论基础和新颖的小样本学习方法,是目前最高效的分类方法之一,但是传统的支持向量机方法仍然存在着一定的局限性。第一,分类太过于粗糙,笼统地根据属性将待测目标二分,却没有对待测目标的定量分析,无法处理需要细分的数据。第二,没有考虑到训练集中的样本的泄露风险,当训练集中包含敏感属性时,不能保护到训练集的隐私。这可能造成两个后果:其一,无法通过分类模型比较多个待测目标之间的差异性。其二,训练集的泄露不仅仅会造成经济财产损失,更会阻碍研究工作的发展进程。本文针对上述问题对支持向量机分类方法进行研究,主要的研究内容如下:针对训练集中样本泄露的隐患,本文将支持向量机分类方法同差分隐私保护模型有机地相结合。针对不同的情况,提出了两种分类方法,分别为MDP-SVM分类方法和ODP-SVM分类方法。MDP-SVM分类方法通过对分类模型添加扰动的方式来实现保护训练集隐私的目的,这种方法在样本数量较少时可用性更高;ODP-SVM分类方法通过对样本添加扰动的方式来实现保护训练集隐私的目的,这种方法在样本数量较多时可用性更高。此外,这两种分类方法还根据分类模型定义了一个打分函数,通过这个打分函数可以判断待测目标的类别以及分类置信度,可以比较相同类别不同待测目标之间的差异性,有助于对数据进行细分。分别对MDP-SVM分类方法和ODP-SVM分类方法的隐私性和可用性从理论上进行了证明。证明了这两种分类方法在能够解决训练集中样本隐私泄露问题的前提下,仍然保持很高的可用性。通过真实的数据集,将本文提出的MDP-SVM分类方法和ODP-SVM分类方法与现有的SVM分类方法进行对比实验。验证MDP-SVM分类方法和ODP-SVM分类方法的有效性。并且比较两种方法各自的优势。