医疗数据共享帮助个人、医疗研究人员和医疗组织在已发布的数据库上运行数据分析操作,应用最广的应用为电子病历。但是,医疗数据的发布可能会泄露敏感值,危害个人隐私。近十几年来,由于医疗数据的共享,导致了许多涉及侵犯个人数据隐私的事件,给个人的声誉和生活带来了灾难性的后果。对于保护医疗数据的隐私安全,同时不改变数据的完整性,是针对医疗数据匿名化隐私保护算法的核心,是极具挑战性的。本文基于不同的匿名化技术针对医疗数据发布的隐私保护算法开展研究,提出了三种匿名隐私保护数据发布算法,这些算法技术用于保护医疗数据集在数据共享发布时的隐私。通过对安全性、数据效用和执行时间等各个方面衡量,这三种算法都能够达到预期数值。本文的主要工作如下:首先,基于单元泛化的拆分匿名算法与大多数现有技术(由于泛化和扰动而降低已发布数据集的数据效用)相比,该方法只泛化所需的单元,从而减少了信息丢失,并为匿名数据集提供了更好的数据效用。与现有技术相比,该方法具有较高的数据利用率和较小的相对查询误差。其次,基于聚类的置换式匿名化敏感数据发布模型将聚类和置换算法结合运用,对医疗数据有很好的匿名化效果,效果优于单纯的置换算法。利用不同大小的数据集对该算法的可扩展性和可行性进行了评估,并借助k-中心点聚类方法,将匿名化效果发挥极致。采用Kullback Leibler散度、f-测度和执行时间作为评价指标。实验结果表明,该算法具有良好的匿名性和较少的执行时间。因为该算法利用置换函数进行数据交换,因此保证了该算法在发布和共享数据前对个人隐私保护的安全性,同时有较高的数据完整性。最后,基于层级的模糊式匿名化发布算法将层级数据模糊处理后匿名发布,通过对不同的层级数据分析和创新集成,提出了模糊式的解决方案。实验结果表明,将医疗数据转换为层级数据,得到的匿名层次数据中等价类的平均不相似度高于已有的匿名层次数据中等价类的平均不相似度。因此,该算法可以有效地抵抗相似性攻击。此外,该算法还可以减少信息丢失,从而提高匿名层次数据的实用性。