大数据时代,随着计算机技术和人工智能技术的快速发展,在世界范围内有越来越多的数据被记录、存储和使用。大量数据伴随着互联网的广泛应用,促进了科技的进步,给人们生活带来了便利。随着数据分析技术的发展和各式各样数据挖掘算法的提出,数据的传播和共享越来越频繁。文本、语音以及图像等多样化数据更为广泛的传播,使得人们隐私受到严重威胁,数据隐私保护成为越来越严峻的问题。如何在保护数据隐私的同时还要保留数据一定程度上的可用性是数据发布隐私保护领域的研究热点。因此本文利用特征重要性排序设计隐私保护算法,对发布前数据进行隐私保护预处理,主要贡献包含以下两个方面:1)K-匿名是文本数据发布隐私保护常用模型,而K-匿名特征选择是有效权衡数据隐私与可用性的方法。已有的K-匿名特征选择方法大多是过滤式方法,对单个特征按照特征重要性进行排序,从特征排序中选取当前最重要的特征开始搜索K-匿名特征子集。因为每个特征并不是独立地对分类器输出结果产生作用,这种搜索策略没办法保证最终选择的特征子集在分类性能和隐私保护之间达到很好的平衡。过滤式方法独立于分类算法,对分类器的分类性能影响有限,而另外一种特征选择形式是封装式特征选择方法,根据后续模型的性能来评价特征子集的优劣,时间成本较大。因此,针对过滤式方法独立于分类器的限制与封装式搜索成本大等问题,本文结合过滤式与封装式的特点,设计了一种混合式K-匿名特征选择算法,把K-匿名判断条件作为特征选择的评价标准,将K-匿名特征选择归类为K-匿名隐私保护中的隐藏手段。基于前向搜索策略和K-匿名条件产生更多的K-匿名特征候选子集,再根据封装式分类器评价候选子集分类性能,从而选出高效且具有隐私保护能力的特征子集。2)对抗攻击技术常用在图像数据发布隐私保护中,已有基于对抗扰动的隐私保护方法可以生成肉眼难以区分的新图像在可用性上得到保证,但高度依赖于目标模型而不能在多种模型上具备可迁移性。针对这些问题,本文提出了一种可迁移的基于特征重要性对抗攻击的图像隐私保护算法。利用泛化性更好的特征重要性指标设计损失函数并在扰动生成过程中引入扰动随机丢弃操作,提升迁移性。最后在两个公开图像数据集上进行实验,证明了本文提出的基于特征重要性对抗攻击的图像隐私保护算法有效提升了不同模型间的迁移能力。