随着大数据时代信息程度的飞速提高,图像数据隐私保护的重要性逐渐显现出来。图片作为一种现今重要的信息承载媒介,有着很多重要属性。特别是描述患者的医疗面部数据,包含着患者性别、年龄、表情等多种数据属性,若直接发布这些数据给第三方的应用进行分析,很容易造成个人隐私泄露。如何合理应用差分隐私的方法对图像数据进行隐私保护的同时让图像数据具有高可用性,这已经成为了学者们的主要研究目标。本文以人脸图像数据作为对象,差分隐私的拉普拉斯机制为基础,分别从频率域方法和代数方法进行研究。主要的研究内容如下:基于频率域特征提取的方法,提出了基于小波变化的WIP方法,使用小波变换对图像进行变换压缩,再对变换后的主要特征添加噪声,获得满足差分隐私的发布图像,用以解决大尺寸图像可用性低的问题和傅里叶变换不能处理突变信号的问题。通过实验结果表明,相较于频率域下的同类方法,本文提出的WIP方法获得的加噪图像可辨识度更高,信息熵更贴近原始图像,使用PCA+SVM方法分类加噪人脸数据的准确率高出同类方法10%。同比其他频率域方法下的图像差分隐私保护方法,本文提出的WIP方法具有更高的可用性和鲁棒性。基于代数特征提取的方法,提出了基于NMF的NMM方法、基于NMF和SVD结合的NSRA方法和NESRA方法,通过代数矩阵分解的方法压缩图像,提取图像的特征信息,对特征信息矩阵添加噪声,再重构获得满足差分隐私的发布图像,用以解决全局敏感度高和SVD易受外界环境变化影响导致可用性低下的问题。通过实验结果表明,本文提出的方法相较于代数方法下的同类方法,获得的加噪图像可辨识度更高,信息熵更贴近原始图像。NSRA方法和NESRA在PCA+SVM方法下分类加噪人脸数据的准确率与原始图像下的分类准确率接近或相等。NMM方法下的分类准确率高出同类SRA方法5%左右,而NSRA方法和NESRA方法高出同类的SRA方法30%左右,高出同类的ESRA方法5%到10%左右。本文提出的代数方法下的NMM方法具有较高可用性,而NSRA方法和NESRA方法在同类算法中具有更高的可用性和鲁棒性。