随着信息技术的发展,个人信息被广泛收集、发布及使用,这些数据的高效流通和使用极大的方便了人们的日常生活。但是,这些数据中往往隐藏着大量的个人隐私信息,不合理的使用会导致个人隐私泄露。因此,如何保护个人隐私,确保数据安全,防止敏感信息泄露,成为信息安全领域中一项亟待解决的问题。匿名隐私保护技术,在保证敏感信息不泄露的同时兼顾数据的有效性,是保护个人隐私安全的一种重要手段。本文根据隐私保护的实际需求及现有静态匿名模型的不足,提出了基于敏感度的静态匿名隐私保护模型。针对现有静态匿名模型中存在的过度泛化问题,本文将聚类分析的思想引入到静态匿名模型中,利用聚类中的距离计算方法来计算元组间的距离,使同一等价类中元组差异最小化,不同等价类间元组的差异最大化。针对现有静态匿名模型没有考虑敏感度的问题,结合现实隐私保护中应该对不同敏感度的敏感属性提供不同强度的保护的实际需求,将敏感度引入到匿名隐私保护中,并给出敏感度的度量方法,根据敏感属性的敏感度对其进行分组,为不同敏感属性分组设置相适应强度的约束。通过实验验证,本文提出的静态匿名模型能够有效保护用户隐私数据,并同时保证了发布数据的可用性。在现有动态匿名模型中,大多只能处理仅包含插入与删除更新的动态数据集,本文将动态数据集中常见的属性值更新考虑进来,提出了一种能够处理完全动态数据集(同时包含插入、删除及属性值更新)的动态匿名模型。对使用静态匿名模型对动态数据集进行匿名处理会导致敏感信息泄露的问题进行了探讨。分析了不同的动态更新行为,根据数据集中存在的不同更新行为,对动态数据集进行了定义与分类。并分析了在发生敏感属性值动态更新时敏感度的变化情况,针对敏感度的不同动态更新情况,提出了相应的保护策略。通过实验验证,本文提出的动态匿名模型,能有效保护完全动态数据集,且匿名处理后数据可用性高。本文分别针对静态与动态数据集提出了相应的静态匿名模型及动态匿名模型,为数据发布中隐私保护提供了一种新的解决方案。在理论方面,丰富了匿名隐私保护模型,完善了基于敏感度的匿名保护研究。在实践方面,增加了隐私保护策略的灵活性,既保证了数据隐私安全,又提高了数据的可用性。