随着科学技术的迅猛发展，人们进入到一个信息量激增的时代，海量数据的多样性与复杂性向数据挖掘技术提出更高的需求。在实际应用时，由于数据量大且繁杂，很难存在存储能力和计算能力都符合的用户，因此，数据集会经常分布于多方用户之间，这就需要多方用户联合数据资料，共同挖掘得出期望知识。然而，基于隐私保护的考虑，人们惧怕对数据挖掘技术的误用、滥用会导致私有数据特别是敏感信息的泄漏。因此，在这种场景下，人们甚至会拒绝提供真实的个人数据信息。这就制约了数据挖掘技术的发展，而基于隐私保护的数据挖掘技术（Privacy-Preserving Data Mining，PPDM）的出现可以解决这一问题。作为数据挖掘技术的一种，聚类算法应用广泛。但是基于隐私保护的安全聚类协议并不多，并且多是集中于对经典K-均值（K-means）聚类算法的安全协议研究。由于亲和传播（Affinity Propagation, AP）聚类算法具有K-means无法比拟的优势，但目前却没有可用的协议涉及其安全应用方面，因此，本文将提出一种解决方案，并以此为重点展开讨论。本文主要内容如下：（1）分析了数据挖掘技术的研究背景以及国内外发展现状，详细介绍数据挖掘的相关知识与主要技术，其中重点研究不同类型的聚类分析算法，并对影响聚类结果的主要因素展开讨论。（2）介绍PPDM的相关技术理论，研究数据处于不同分布环境下的隐私保护技术，并重点探讨了分布式环境下的安全多方计算协议。结合隐私保护技术与挖掘算法即可形成特定的隐私保护方案，本文讨论了隐私保护技术在PPDM方案中的实施过程，并给出评价隐私保护方案的重要标准，最后分析了PPDM在未来所要面临的问题与挑战。（3）本文介绍一种新型高效的聚类算法—AP聚类，基于对AP聚类算法的研究及其特性分析，提出一种在数据垂直分布环境下的AP安全聚类协议。在半诚实模型下对其进行安全性讨论，并估算给出通信代价，以证明该协议不仅能实现高效的聚类挖掘，并且保证各站点的隐私数据得到安全保护，即实现了数据挖掘的要求，又达到了隐私保护目的，从而做到了双赢。