随着人们对数据分析中隐私保护的日益重视,频繁项集发布中的隐私保护问题得到了研究者的持续关注,已提出一系列基于差分隐私的频繁项集发布方法。结合交易数据的信息准确性和数据态势,频繁项集挖掘主要分为静态确定性数据、静态不确定数据,以及确定性流数据的频繁项集挖掘。目前,静态确定性数据的隐私保护频繁项集发布研究已趋于成熟,静态不确定数据以及确定性流数据的隐私保护频繁项集发布方向,在数据隐私安全和发布结果精度方面还存在诸多不足。针对上述问题,论文开展了以下工作:（1）针对现有隐私保护静态不确定数据top-k频繁项集发布方法的准确性受k值影响,难以兼顾数据可用性与隐私安全性问题,考虑将隐私保护机制与挖掘过程一体化,将添加噪声操作与top-k项集筛选分离,规避算法准确性对k的依赖;设计候选项层次信息提取策略,利用不确定数据存在上限阈值的特性,降低频繁项集的搜索空间,有效降低隐私预算。在此基础上,提出基于差分隐私的静态不确定数据频繁项集发布算法,实现静态不确定数据频繁项集的安全发布。（2）针对现有隐私保护确定性流数据频繁项集发布方法存在发布精度严重依赖窗口数目设置的合理性,以及截断误差较大,难以兼顾数据可用性与隐私安全性问题,设计自适应的-动态滑动窗口协议,规避取值不合理对发布精度的影响;利用频繁项集信息进行事务截断,引入负项概念,最大化保留事务中的频繁项集,降低截断误差;在此基础上,提出差分隐私确定性流数据频繁项集发布方法DP＿DFIM,实现流数据频繁项集的安全发布。理论分析与实验结果表明,所提方法能够在保证发布频繁项集满足差分隐私的同时,保证项集及其支持度的准确性。