近几年来,数据挖掘、隐私保护、深度学习和机器学习等技术越来越成熟,市场上的企业可以从用户中收集数据,并从中挖掘出具有价值的信息,从中分析出用户的喜好进而开始精准的服务,实现其商业价值。但是与此同时,在收集用户数据的过程中,数据中也包含了大量的个人敏感的隐私信息,这些信息可能会被不法分子加以利用,用来从事网络诈骗或电话诈骗等违法犯罪行为。而差分隐私作为当前隐私保护中有效的保护机制之一,通过向隐私信息中加入噪声来对查询结果进行随机化处理来达到保护用户隐私的目的。其中,本地化差分隐私是差分隐私保护机制之一,与中心化差分隐私不同的是,本地化差分隐私可以在没有可信任的第三方数据收集器的情况下来完成对数据的收集和对数据进行加噪。用户可以在本地完成对隐私加噪的过程,免除了第三方的参与,从而可以避免由第三方泄露隐私的危险,因此,在保护用户隐私方面,本地化差分隐私比中心化差分隐私更加有效。本地化差分隐私已经在近些年来运用到数据挖掘的多个方面,例如频繁模式挖掘、矩阵分解等。本地化差分隐私通过随机响应等机制来保护隐私,其中处理的数据集涉及到的隐私预算分配、隐私保护机制等,直接影响频繁模式挖掘结果的可用性,因此如何兼顾安全性和效用性是本地化差分隐私算法面临的一大挑战。针对这些问题,本文提出了一种面向本地化差分隐私保护的频繁项目挖掘算法—GFIM（Group-based Frequent Items Mining）,在理论上证明了该算法满足ε-本地化差分隐私,并在三个真实数据集上的实验也验证了该方法对挖掘结果可用性的提高。与此同时,本文把分组的思想延续到另一种频繁挖掘模式——频繁序列挖掘,设计了一种满足本地化差分隐私的基于分组建立前缀树的频繁序列挖掘算法GFSM（Group-based Frequent Sequence Mining）,利用分组避免了隐私预算的切割,提高了算法的挖掘精度,通过理论证明了该算法满足本地化差分隐私,并在两个真实的数据集上证明了该算法挖掘结果的可用性。