数据挖掘一直是数据库研究、开发和应用最活跃的分支之一。无论在研究领域还是商业应用,数据挖掘都取得了可喜的成果。但与此同时,数据挖掘也面临着许多问题的挑战。其中,数据挖掘的个人隐私与信息安全问题尤其得到关注。误用、滥用数据挖掘可能导致用户敏感信息泄漏,越来越多的人们表示担忧,甚至拒绝提供真实的数据。保护隐私的数据挖掘提供了一种分布式的数据挖掘方法,从而防止重要数据的泄漏。这篇论文主要致力于研究:基于异构分布数据的保护隐私贝叶斯网络结构的学习。在此场景下,三个或更多的数据提供者希望在联合数据的基础上进行贝叶斯网络结构的学习,同时并不把自己的数据泄漏给任意其他数据提供者。在这篇论文中,主要基于最小描述长度(MDL)的准则来进行贝叶斯置信网络的学习。实现了两种算法:MDL穷尽算法(EX_MDL)和分枝限界MDL算法(B&B_MDL)来求得最佳的贝叶斯网络结构。结合了保护隐私的多向量点积份额协议SSP以及Bresson同态公钥密码算法,文章最终提出并实现了分布式的基于MDL穷尽算法的PP_EXMDL方法和基于B&B_MDL算法的PP_BBMDL方法,用于从完整的异构分布数据学习贝叶斯网络结构。经过实验验证,这两种方法均能生成高精度的贝叶斯网络结构,并且与已有WY算法(由Wright,Yang于2004提出)相比,具有更高的安全性、适用性、精确性。