数据挖掘的快速发展使其在医疗保健、金融服务、安防领域等方面得到了广泛应用,k-means聚类算法是数据挖掘中经典且常用的算法之一,具有简单易于实现、可高效处理海量数据等特点。但用户进行k-means聚类时可能会泄露自己的敏感信息,隐私保护k-means聚类可以在保护数据隐私的同时进行k-means聚类。然而,现有的差分隐私保护k-means聚类方案存在迭代效率低、服务器返回错误聚类结果的问题。此外,现存共同隐私保护k-means聚类方案参与方合谋导致聚类中心的隐私泄露,方案通信复杂度较高。针对上述问题,本文基于本地化差分隐私技术提出两种隐私保护k-means聚类方案。（1）针对现有中心化差分隐私保护k-means聚类方案中存在服务器会遭受攻击,以及本地化差分隐私保护k-means聚类方案中服务器返回错误聚类结果的问题,提出一种区块链环境下的本地化差分隐私保护k-means聚类方案。首先,方案设计的多方k-means聚类中心初始化算法,去除了多用户初始聚类中心选择的随机性,使用本地化差分隐私技术,在保护用户隐私的同时提高k-means聚类的迭代效率,并结合区块链公开透明、不可篡改的特性,确保多用户联合产生初始聚类中心的正确性。然后,构建聚类中心更新算法的智能合约,根据用户上传扰动后的数据,在区块链上公开透明地迭代更新聚类中心,保证各个用户都能得到正确的聚类结果。（2）针对现存共同隐私保护k-means聚类方案中参与方合谋导致聚类中心隐私泄露,以及参与方与数据分析师交互导致通信复杂度较高的问题,提出了一种抗合谋的共同隐私保护k-means聚类方案。首先,通过设计的最近聚类中心算法,利用本地化差分隐私技术保护参与方的隐私数据,避免了参与方与数据分析师的大量交互,此阶段的通信复杂度为O（lm）。其次,本方案设计的聚类中心更新算法中,各参与方生成随机数,并使用同态加密技术,避免参与方之间复杂的分块操作,此阶段的通信复杂度为O（km）。通过抗合谋分析,方案在参与方合谋以及参与方与数据分析师合谋的情况下,仍能有效保护参与方数据和聚类中心的隐私。最后,分别对以上设计的两个隐私保护k-means聚类方案进行安全分析,同时,将两个方案与现有隐私保护k-means聚类方案进行功能与性能比较,结果表明两种方案是有效且安全的。