异常探测的主要目标是从复杂数据环境中快速准确地探测出不符合正常（期望）行为的异常数据。而这些异常数据在发布或共享时，容易被具有恶意的第三方获取，因此需要研究异常探测，并对异常数据进行隐私保护，保证异常数据在信息共享和传输过程中的安全性以及完整性，减少传输的信息量和参数。　　主要研究工作包括以下两个方面：　　1. 针对空间异常信息在共享和传输过程中容易被第三方干扰和获取的问题，提出了基于复数变换的空间异常信息隐藏算法 SOIH-CT。首先计算数据对象的局部密度、距离相异度以及异常程度系数，利用Top-N特性获得异常对象；其次选取异常对象的二维特征数据构造复数及复数因子；最后通过复数变换来隐藏异常信息。接收方接收变换数据集及复数因子集能准确恢复被隐藏的异常数据。通过实验比较复数变换前后的异常探测结果，与RBT、HDT扰动技术进行对比，并进行安全性分析，验证了该算法在空间数据集上的隐私保护效果。　　2. 针对数据分布不均导致全局异常程度难以衡量及异常信息隐藏失败率较高等问题，提出了基于微簇不定因子的隐私保护异常探测算法MIPPOD。首先基于密度及近邻思想对数据进行微簇划分，其次针对每个簇进行基于不定因子的异常探测，最后根据微簇不定因子进行定向变换以此达到异常数据信息的隐私保护。数据接收方能有效识别异常对象信息并可完全恢复数据集。在仿真和真实数据集上分别进行验证实验，并与DBSCAN、LOF、INS算法进行对比分析，验证了该算法在异常探测性能上具有明显优势，通过隐私保护度、隐藏失败率和安全性分析证明了该算法具有良好的隐私保护性能。　　在本文研究的这两种基于扰动技术的隐私保护异常探测算法中，第一种方法是根据全局数据进行异常程度判别，使用局部密度和距离相异度进行复数变换；第二种方法是在微簇划分的基础上进行异常判别，使用微簇不定因子进行定向变换。两种算法均具有良好的隐私保护性能和异常探测效果，并能准确无误地恢复数据。