随着大数据时代信息技术的不断发展,包含敏感数据的个人信息的隐私问题也受到越来越多的关注,如何在保护个人敏感信息不被泄露的前提下进行数据发布和数据分析是当前面临的重大挑战。本地化差分隐私作为一种新的隐私保护模型,具有很强的隐私保护性。相比较中心化差分隐私,它不依赖于任何可信的第三方,在本地就对用户的敏感信息进行保护。它不仅可以抵御具有任何背景知识的攻击者,也可以防止任何不可信第三方的隐私攻击。在本地化差分隐私下,我们首先研究了一维密度估计问题,即如何在某一连续数值域下重构分布。现有的工作在进行分布估计时没有考虑关于整体数据的分布的先验知识,从而导致数据效用较低。我们提出了基于先验知识的增量式学习方法（Incremental learning method based on prior knowledge,IIMPK）来重构分布。该方法包含多轮收集过程,其主要思想是:首先在第一轮中,聚合服务器在没有任何先验知识的假设下对数据集中的部分用户的数据进行收集,并利用收集到的用户的信息来推断整个数据集的分布;然后从第二轮开始,聚合服务器考虑利用前几轮得到的样本分布作为整个数据集的分布的先验知识对本轮所要收集的用户数据进行处理,然后利用统计获得的数据信息进一步推断整个数据集的分布。我们设计了两种数据映射算法结合先验知识对要收集的数据进行转换,并设计了分布汇总算法对多轮收集结果进行集成。通过实验证明,我们的方案相对于现有方法,在为用户提供隐私保护的前提下,能够显著提高分布估计的精度。另外,我们针对离散域下的heavy hitter识别问题展开研究,该问题旨于找到较为频繁的项。我们分析了现有的解决算法,提出了优先队列方法（Priority queue method,PQM）来进行改进。该方法的主要思想是:通过引入优先队列的数据结构,从定长的数据中逐步识别出较为频繁的数据前缀,最终识别出完整数据的频繁项。我们通过实验对方案的有效性进行了验证,结果表明改进后的方案拥有更高的数据效用。