随着人工智能与大数据技术的不断发展,数据被滥用、用户隐私遭泄露等诸多问题层出不穷,引起了人们的广泛关注。在一些含有微型设备（如智能穿戴式设备）的应用场景中,除了存在关注的隐私问题外,由于微型设备资源有限,其数据处理能力相对较弱。压缩隐私和压缩感知技术的出现,为解决上述这些问题提供了新的思路。除此之外,数据在网络传输和存储过程中可能丢失或者被噪声污染,会严重影响数据的可用性。矩阵补全方法可以补全不完整数据或者恢复被污染的数据,被广泛应用于推荐系统、图像修复等领域。本文围绕以上应用场景中的问题进行研究,完成的主要工作包括:（1）提出了一种基于矩阵补全和判别成分分析的压缩隐私方案。在该方案中,为了避免原始信息的泄露,对数据进行有损压缩投影（脱敏）后再上传到公共服务器上,并且脱敏数据只能保证在效用任务上的性能,不能应用于隐私任务。另外,当数据存在缺失时,采用矩阵补全算法对数据进行恢复。与传统矩阵补全不同的是,该方案引入判别信息来提升补全效果。具体地,在矩阵补全的优化目标中添加最大化效用最小化隐私的判别信息正则项,通过交替迭代求解,在补全数据的同时学习得到效用最大隐私最小的投影矩阵,最后利用特征子空间对数据进行压缩脱敏。实验结果表明所提出的方案能够达到预期的目标。（2）提出了一种基于判别成分分析的压缩分析方案。压缩感知在无线传感网络中具有很大的吸引力,它可以延长资源受限设备的使用寿命,同时还可以提供一定的隐私保护能力。现有的基于压缩感知的分析方案存在重构复杂度高、分类准确率较低和隐私安全的问题。因此,提出的方案旨在避免高复杂度重构过程,探索压缩域分析的可能性,同时引入压缩隐私中的投影技术进一步保护用户隐私。该方案包括离线和在线两个阶段。在离线阶段,学习投影矩阵,计算特征变换矩阵和训练分类模型。在线阶段,信号通过压缩感知采样,接收方收到测量值后直接通过特征变换矩阵提取特征系数,在分类模型上实时在线分类预测。实验表明,该方法能够实现高效、保护隐私的线上分析。