随着互联网技术的快速发展,每天有大量的数据产生。这些数据非常宝贵,且对于社会的发展和科技的进步都有非常重要的意义。然而,人们的隐私问题也遇到了空前的挑战。近年来,隐私泄露事件频发,泄露的数据类型广泛,其中不乏像性别、学历、宗教信仰这样的分类数据。攻击者可以通过直接获取原始分类数据或对原始分类数据进行分析窃取用户的隐私信息。因此,对分类数据进行隐私保护是重要且必要的。相对于传统隐私保护技术来说,基于严格的数学基础之上的差分隐私技术可以抵抗背景知识攻击,并能够对隐私泄露的风险进行定量分析,且保留了良好的数据可用性。如何使用差分隐私技术对分类数据进行保护是一个重要的研究课题。在数据处理流程中,数据收集和分析阶段易发生隐私泄露。本文针对这两个阶段考虑对分类数据的隐私保护。在数据收集阶段,考虑到用户原始分类数据泄露的问题,提出基于本地化差分隐私的分类数据收集机制。用户向数据收集者提供隐私处理后的分类数据,来保障分类数据在收集及后续处理中用户的隐私不被泄露。在数据分析阶段,若原始数据已被直接收集,那么对原始数据进行分析则可能会泄露用户额外的隐私信息,例如最常见的分类数据聚类分析算法k-modes可能会泄露样本点或数据集的隐私信息。因此,为了保证k-modes聚类分析过程中用户的隐私不被泄露,本文基于ε-中心化差分隐私对k-modes聚类算法进行改进。论文的主要研究工作如下:（1）提出基于本地化差分隐私的易于实现的分类数据收集机制。考虑到一些本地化差分隐私机制的实现较为复杂,该机制主要通过编码、加噪、取整、取模和解码简单五步实现对分类数据隐私的保护。根据一维和多维分类数据的情况,本文分别给出了对应的收集算法以及转移概率,并对算法进行了各自的效用和隐私分析。其中,效用由输出数据相对于输入数据的准确率来定义,隐私水平由本地化差分隐私机制的“真实”隐私水平也就是最小隐私水平来度量。此外,在不同的噪声分布以及数据分布下,本文对机制的多个特性进行了实验验证和探究。实验结果表明,本文提出的分类数据收集机制可以有效地保护分类数据的隐私,且保留分类数据的可用性。（2）提出满足差分隐私的分类数据k-modes聚类算法。本文详细分析了k-modes聚类过程中的隐私泄露问题,并采取ε-中心化差分隐私最常用的拉普拉斯机制和指数机制对聚类中心点的选择过程进行干扰以达到隐私保护的目的。根据不同的噪声分布,本文提出了三种满足差分隐私的分类数据k-modes聚类算法,对上述算法进行了隐私性分析以及在不同的数据集上聚类效果的比较。实验结果表明,本文提出的分类数据k-modes聚类算法可以在保证聚类效果的基础上对分类数据的隐私进行保护。