网络与信息技术的高速发展引发了数据规模与种类的爆炸式增长,大量的数据信息被各类信息载体收集。一方面,数据资源的开放共享和开发应用能够激活数据背后隐藏的价值,促进各行各业的科学化发展;另一方面,数据集中通常包含了大量的个人敏感信息,且敏感信息与敏感信息、非敏感信息间存在各种不同的关联性,缺乏有效的保护措施亦或是过度数据挖掘均会导致隐私泄露。针对数据流通和分析过程中的隐私保护问题,本文展开基于关联统计模型的隐私保护技术研究。主要研究工作如下:(1)提出了基于最大信息系数的主成分分析差分隐私数据发布算法。通过引入最大信息系数提升传统主成分分析方法,并以降维生成主成分解释数据包含信息量的能力为依据,量化摄入噪声。最后,基于数据特征将扰动低秩近似矩阵还原发布。该方法结合了最大信息系数和差分隐私预算优化分配,实现了集中式场景下的原始维度隐私化数据发布。实验结果表明,该算法可实现多种数据关系的高效信息承载,且引入噪声相较于其他算法更低。(2)提出了基于本地化差分隐私的稀疏主成分分析算法。在客户端基于高斯噪声扰动完成数据隐私化过程,进而在分布式优化框架下,采用交替方向乘子法和稀疏正交迭代法完成主子空间估计。该方法依据数据结构特征,结合本地化差分隐私,构建了分布式场景下的隐私保护模型,可实现分布式场景下的隐私化数据协同分析。实验对比分析表明,相较于同类算法,该算法可在保障数据隐私的前提下提高估计精度。(3)设计了集中式和分布式场景下面向无线医疗的隐私保护方案。通过相同场景下同类隐私保护方案隐私化数据效用的实验对比分析,验证所提方案在同等级别隐私约束下,能够保持更高的数据效用,较其他方案更具优势。