大数据时代,利用海量数据支撑各类决策已经成为普遍现象,而深度学习因其端到端学习,同时能够实现较高任务精度等优点而受到广泛关注。在深度学习快速发展的同时,一系列隐私保护问题突出,从个人数据非法共享,到攻击者利用公开模型及其参数反向推断出训练数据,隐私泄露严重。因此,研究一种既能保护数据隐私,又能保证较高可用性的深度学习方法具有重要意义。差分隐私是一种基于扰动思想的隐私保护技术,将其应用于深度学习中,使得攻击者只能推断出扰动后的数据,实现了隐私保护的目的,同时适量的扰动不会显著降低数据效用。本文针对深度学习的图像生成问题和非欧空间数据的学习问题,结合差分隐私技术进行研究。本文的主要工作如下:（1）考虑到训练数据可能存在的隐私泄露风险,结合差分隐私技术研究支持隐私保护的深度学习方法。其中针对图像生成问题,研究基于梯度裁剪扰动的多生成器生成对抗网络,针对图数据节点的半监督分类问题,研究基于函数机制的图卷积神经网络。在保护训练数据隐私的前提下,保证上述模型都具有较高的数据可用性。（2）提出基于梯度裁剪扰动的多生成器生成对抗网络DP-MWGAN以解决隐私保护图像生成问题。首先采用多生成器架构、参数共享方式,用EM距离作为损失内容构建多生成器生成对抗网络MWGAN。其次考虑到训练数据的隐私保护问题,设计基于差分隐私技术的扰动方案,该方案包括自适应梯度裁剪阈值确定、梯度裁剪和高斯噪声扰动三个步骤。将该扰动方案应用于多生成器生成对抗网络的训练步骤中,最终得到一个能够执行图像生成任务同时支持隐私保护的生成对抗网络DP-MWGAN。最后在CIFAR-10图像数据集上的实验结果表明,改进的MWGAN模型相比于WGAN和WGAN-GP,在Inception Score和EM距离的综合结果上更具优势,同时DP-MWGAN模型能够在保护训练数据隐私的同时,不会显著降低IS分数,保证较高的原始图像相似度。（3）提出基于函数机制的图卷积神经网络DP-IGCN解决图中节点半监督分类任务。首先借鉴传统CNN模型使用全连接层学习高层特征的思想,提出改进模型IGCN,添加全连接层用于提取图数据的高层特征。其次考虑到训练数据的隐私保护问题,设计基于函数机制的扰动方案,通过泰勒分解公式导出损失函数的近似多项式表示,并为多项式系数添加拉普拉斯噪声进行随机扰动。将扰动的损失函数应用于模型的训练过程,最终得到一个能够执行图节点分类任务同时支持隐私保护的图卷积神经网络DP-IGCN。最后在Cora、Citeseer、Pubmed三个数据集上的实验结果表明,改进的IGCN模型相对于原始模型,具有更高的图节点分类准确率,同时增加扰动步骤的DP-IGCN能够在保护训练数据隐私的同时,保证较好的图节点分类准确率。