随着大数据、云计算等技术的新兴崛起和发展,数据隐私保护问题成为网络与信息安全领域的研究热点。近年来,数据发布与共享的隐私保护技术不断涌现,并在社会公共领域获得了广泛应用。但现有隐私保护技术仍然存在明显的缺陷:一是无法有效平衡数据隐私性和数据可用性之间的关系,二是多源数据融合场景下无法预测各数据拥有者之间数据属性之间的依赖关系,以及无法有效提高融合数据的可用性,三是无法保证隐私保护后的数据仍能进行有效的数据挖掘。本文研究紧紧围绕这三个方面的问题,基于贝叶斯网络、协同过滤、强化学习等方法,构建了数据发布与共享的隐私保护架构,提出了基于贝叶斯网络的靶向隐私保护数据发布方法、多源数据融合的隐私保护策略组合优化方法以及基于强化学习的隐私保护数据发布方法。具体工作如下:第一,针对复杂数据发布场景下无法有效平衡数据隐私性和数据可用性之间的关系,本文设计了基于贝叶斯网络的隐私保护数据发布方法,构建了重匿名隐私保护架构,采用了贝叶斯网络结构学习方法和隐私保护操作的迁移方法,实现了数据的内外部匿名。此外,针对上述匿名方法缺乏靶向性的问题,提出了基于辨识矩阵的属性过滤技术,构建了辨识矩阵和属性超图,采用了属性超图消解的启发式方法,最大化属性值差异对敏感信息挖掘的贡献,实现了隐私的靶向性保护,然后本文还提出了（d,（?））-扰动机制,防止了对某一核心信息属性的过度修改。仿真实验结果表明本文提出的基于贝叶斯网络的靶向隐私保护数据发布方法能够在满足数据隐私性的同时提高数据的可用性。第二,针对多源数据融合发布的场景下难以预测数据属性之间依赖关系的问题,本文设计了多源数据融合的隐私保护方法,构建了多源数据融合的系统模型,提出了基于协同过滤的贝叶斯网络融合算法,采用了矩阵分解的方法,实现了对不同数据集属性之间依赖关系的预测,有效防止了融合数据隐私的泄露。此外,针对融合数据可用性不高的问题,本文设计了启发式代数规则,提出了多源数据融合的多策略组合优化算法,采用了超图消解的技术对多隐私保护策略融合的过程进行优化,实现了提高融合数据可用性的目的。在三个不同类型数据集上的仿真实验表明,本文提出的基于协同过滤的贝叶斯网络融合方法预测的均方误差保持在0.1以内,且在中大型数据集上具有较强的鲁棒性,此外,在不同参数的设置下,多源数据融合的多策略组合优化算法的数据可用性均高于其他三种基准算法,说明此算法可以极大地提高融合数据的可用性。第三,针对隐私保护操作与数据挖掘操作的串行割裂导致数据效用降低的问题,本文提出了基于强化学习的隐私保护数据发布方法,构建了基于角色的交互模型,演化出隐私保护智能体与数据挖掘智能体,设计了隐私保护智能体修正贝叶斯网络的过程以及数据挖掘智能体的集成聚类过程,采用了深度强化学习的方法,建立了两个智能体之间的博弈,优化两者的交互过程,达到了隐私保护与数据挖掘的协同平衡。通过与两种基准算法的对比实验结果表明,本文提出的算法能在有限的时间内达到收益的最大化,实现了隐私保护的同时保证了数据挖掘的效能。