随着计算机网络技术的迅猛发展和存储设备的快速增加,人类对海量数据的收集、存储、过滤技术也日益精进。为了实现互利共赢,人们将收集到的数据发布在公共平台上,以供相关人员进行数据挖掘和数据研究。但这些数据中包含着许多与个人隐私相关的信息,如果有非法者获取到这些隐私信息,将会危害到个体或集团的利益,甚至会威胁到用户的人身安全。因此,在享受信息全球化给人类带来便利的同时,也应该考虑如何有效的保护用户的隐私安全。最常见的隐私保护的方法是将标识个体身份的信息删除（如身份证号）,然后将这些数据信息以表的形式进行发布。但若有攻击者从其他途径获取到某用户带有标识符的个人信息表,将会通过链接攻击来获取到该用户的个人隐私信息。另外,基于背景知识的分析推测也可能对个体的隐私造成泄露。泛化能很好的抵御链接攻击,但经过泛化处理后将大大降低数据可用性。如何在个人隐私不被泄露的同时,保证发布数据的真实可用性是研究者们长期关注的问题。早期提出的K-匿名技术利用泛化来防止链接攻击,并加以L-多样化匿名技术的辅助来防止同质攻击,但泛化技术会造成信息的严重损失。针对数据的可用性,anatomy方法将准标识属性和敏感属性分离开来代替泛化技术,从而保障了准表示属性的真实有效,使发布的数据更加具有研究价值。但此种方法对敏感属性的隐私保护措施很弱,容易造成隐私泄露。另外,基于用户需求考虑,某些准标识属性也需要得到相应的保护,并且对不同类型的敏感属性用户的重视程度是不同的。文章首先分析比较K-匿名技术与L-多样化匿名技术中的不足之处,对其缺陷进行调查研究,在基于泛化层次树的基础上对这两种算法做出了一些调整:1.根据准标识属性对敏感属性的作用程度不同将不同的准标识属性进行不同程度的泛化操作,使其能更加灵活的保护用户的数据隐私;2.根据敏感属性的隐私重要程度差异性来定义有差别的等价组敏感属性,通过阈值来限制等价组大小和敏感属性分类。其次通过研究anatomy方法核心思想,对其存在的优缺点进行比较后,给出一种新的基于映射的隐私保护的算法,该方法解决了数据泛化带来的信息丢失的问题的同时,也保障了敏感属性的隐私不会被轻易泄露,并给出了具体的算法步骤,通过实验比较分析了其在功能和性能方面的优缺点,证明了新算法的可行性。最后综合以上两点提出一种新的算法:基于多维敏感属性隐私保护的（F,β）匿名算法,并给出算法设计与主要结构,该算法在信息准确度和隐私保护度两方面做出权衡,在保障个体隐私不被泄露的同时提升信息准确率,并且能根据用户需求灵活的保护某些准标识属性和敏感属性,同时通过实验将基于多维敏感属性隐私保护的（F,β）匿名算法与其他算法进行对比分析,证明其实现价值。