互联网和信息技术的迅猛发展使累积的数据爆发式增长,人们通过数据挖掘等技术对发布的数据进行整理、分析,进而获取有用的信息,这为人们带来利益的同时也导致了用户隐私的泄露。作为隐私保护最常用的主要技术之一,基于聚类的匿名化技术通过对相似数据进行聚类、泛化等处理,满足了对用户敏感信息保护的基本要求。但该算法过分依赖聚类中心的随机选取,并且未考虑敏感属性的多元约束,这不仅会暴露隐私信息还会造成更多的数据信息损失。因此,为了在有效保护用户隐私安全的情况下减小发布数据的信息损失,本文对基于聚类的匿名化方法进行了改进研究:（1）本文针对传统的基于聚类的k-匿名算法随机选取聚类中心点造成聚类结果不准确,从而导致数据信息损失较大的问题,提出一种优化聚类中心选取的改进算法。该算法在密度峰值（Density peak clustering,DPC）算法的基础上,结合M-近邻（M-Nearest Neighbor,MNN）思想按照数据相似度将数据集划分为多个簇,在每个簇中找到覆盖范围最大的数据点作为初始中心点,减小了聚类中心不确定性对聚类结果的影响。通过选取准确的聚类中心对数据划分,减少了算法执行的迭代次数,获得更准确的聚类结果,使得泛化后的数据信息损失更小。论文从算法运行时间和数据信息损失方面对改进算法进行仿真,仿真结果验证了该算法减小了数据信息的损耗,提高了发布数据对外界的可用性。（2）对于匿名化处理后的数据敏感属性值相同、分布频率差异大以及数值相似性高造成的隐私泄露问题,本文设计出一种基于（k,l,α）约束的匿名算法。该算法首先根据敏感属性值的相似度对数据分类,在聚类过程中对等价类中敏感属性值的种类、分布频率进行约束,在信息损失最小的原则下将数据集划分为多个满足敏感属性值约束的等价类。为提高聚类精度,将混合型数据细分为数值型,无序分类型和有序分类型三种类型数据,重新确定出不同类型数据之间的距离公式,提高数据划分的准确性,减小数据的信息损失。论文最后从算法运行时间,隐私保护性能和数据信息损失三方面对改进算法进行仿真,结果验证了该算法在敏感属性的多元约束下能同时抵御相似性攻击和偏斜性攻击,在提高用户隐私保护有效性的同时增加了数据信息对外界的可用性。