随着移动智能设备的快速普及,研究机构通过利用云平台、物联网、移动终端等智能设备不断地加以汇总原始数据（如医疗图像数据、银行金融数据等）以进行数据分析、挖掘以及模型训练,从而能够获取数据中潜在价值。然而汇总的原始数据中蕴含着大量的敏感信息,一旦直接发布就会造成严重的数据隐私和安全问题。为此,政府出台相关法律法规,禁止数据拥有者随意发布用户原始数据,企业之间也形成数据壁垒,带来数据孤岛问题,这极大地阻碍了相关科学技术如深度学习、人工智能等的发展。因此,数据隐私的保护已经成为研究者们最为关注的问题之一。为了解决数据发布的隐私泄露以及数据孤岛问题,本文对数据的隐私保护开展了以下研究:（1）围绕数据的生命周期,本文将数据隐私保护分为数据收集、数据发布和数据使用三个阶段。然后根据每个阶段可能存在的隐私风险问题,详细总结和归纳了现有的面向数据收集、数据发布和数据使用的基于差分隐私的隐私保护方案,以及分析了这些方案的优缺点。（2）针对数据发布过程中图像数据面临的隐私保护和可视化质量之间的矛盾问题,提出一种基于离散余弦压缩变换和差分隐私保护的图像数据发布机制QAPP。该机制由三个阶段组成。首先,图像数据经过离散余弦变换以获得其余弦系数矩阵;接着利用提出的选择函数确定余弦系数矩阵的最佳压缩维数,根据选择维数压缩余弦系数矩阵以保留图像数据的主要特征;最后,将合适的拉普拉斯噪声注入到压缩矩阵中实现差分隐私保护,并将添加噪声的压缩矩阵逆余弦变换重建图像数据。这样既可以最大限度地减少差分隐私机制带来的噪声误差,又可以保证图像数据具有较好的可视化质量。通过主观和客观的指标评估以及基于真实图像数据集的实验表明,QAPP可以比类似的基于差分隐私保护技术的方法更好地平衡图像数据质量和隐私。（3）针对数据使用过程中模型训练面临的隐私攻击和模型安全问题（其最终会导致数据孤岛问题）,提出一种基于联邦学习框架的兼顾差分隐私保护和模型安全防御的分布式模型训练系统LDP-Fed+。具体地,在联合模型训练过程中,在本地端引入本地扰动模块,通过特征提取、二进制编码和解码、随机响应以扰动用户原始数据,然后对扰动数据训练以获得满足差分保护的本地扰动参数,从而有效地应对模型反演攻击;其次,在服务端增加安全防御模块,利用辅助模型和差分指数机制选择合适数量的本地扰动参数进行聚合以应对成员推理攻击和增强模型安全防御。实验结果表明,与其他基于差分隐私的联邦学习模型相比,LDP-Fed+在保证严格的隐私保护同时,对模型安全具有较强的鲁棒性,对模型训练具有较高的准确性。