近年来,数据挖掘在商业决策、科学探索以及医学研究等诸多领域得到了广泛应用。然而,数据挖掘技术在给我们带来巨大利益的同时,也会不可避免的产生隐私泄露问题。尤其随着人们对隐私权关注度的不断提高,数据挖掘在实现过程中遇到了层层阻碍。隐私保护数据挖掘技术正是在此背景下产生的,它能够在保证敏感数据以及敏感规则安全的前提下,挖掘出比较准确的结果,有效的解决了数据挖掘与隐私保护之间的矛盾。本文首先总结归纳现阶段隐私保护数据挖掘算法的研究现状,然后针对目前应用最广泛的关联规则隐私保护数据挖掘进行了相关研究:首先分析了数据集中分布的挖掘算法MASK (Mining Associations with Secrecy Konstraints),该算法通过数据干扰和分布重构实现了隐私保护的关联规则挖掘,但是基于扭曲数据库重构项集原始支持度呈现指数复杂度,严重影响了算法的运行效率。针对这一不足,基于集合原理提出了一种改进的优化算法,消除了指数复杂度。最后通过实验证明了改进算法与原MASK算法相比具有更好的性能。分布式数据挖掘是一个动态的过程。具体来说有两个方面:⑴一些新的机构的加入;(2)原有数据库随着时间的推移,将会增加大量新的记录,同时部分原有记录可能已经被更新,甚至已经被删除。这样原有的关联规则便会过时,已经不能准确反映当前数据库所隐含的一些规则或模式,因此需要进行更新。实现更新最基本的方法是重新挖掘关联规则,但是这种做法代价高昂。针对分布式环境下关联规则的增量更新问题,提出了一个新的算法PPIUDAR,该算法通过利用原有的关联规则,高效的实现了关联规则的增量更新。由于算法中应用了相关的安全多方计算技术,充分保证了各个站点的隐私。最后,通过实验分析,证明该算法切实可行。