目前在数据库领域存在着大量的与个体相关的数据,如：人口统计数据、客户购物数据、患者医疗数据等,称之为微数据。这些数据对于趋势分析、市场预测等具有重要的价值。然而,由于这些数据中含有个体的隐私信息,它们的发布和共享会对个体的隐私构成威胁。因此,数据发布中隐私保护问题的研究具有重要的意义。在数据发布的隐私保护研究中,匿名化方法以其安全、有效成为目前该领域的研究热点。匿名化方法的思想是通过对原始数据进行某种变换,使攻击者无法唯一的推导出敏感信息所属的具体个体,从而实现个体隐私的保护。本文从匿名化模型及算法两个方面,对数据发布中的隐私保护问题进行了研究,主要工作有：(1)提出一个实现k-匿名模型的TopDown-KACA算法。KACA是目前信息损失较小的k-匿名化算法之一,它产生的匿名数据质量高,但效率低,不适合处理大的数据集。Top-down是一个高效的匿名化算法,但产生的信息损失大。本文结合Top-down算法和KACA算法,提出一个高效且信息损失少的TopDown-KACA算法。实验结果表明：所提出的算法可以达到与KACA算法近似的信息损失,与Top-down算法近似的效率,能更高效、更好的实现k-匿名模型。(2)提出一个实现敏感值个性化隐私保护的匿名模型。现有的匿名模型如：k-匿名模型、l-多样性模型等都是针对整个数据表设置一个全局的匿名化约束,而没有考虑隐私保护的个性化需求。当数据中各个敏感属性值的分布不均匀时,这些模型就不能很好地实现隐私保护。为此,本文提出完全(α,k)-匿名模型,通过为每个敏感值设置不同的频率约束,来实现对敏感值的个性化隐私保护；并基于加权层次距离,提出(α,k)-聚类算法。实验结果表明：完全(α,k)-匿名模型能够有效的实现敏感值的个性化隐私保护。(3)提出一个面向数值型敏感属性的分级多样性模型。现有的l-多样性模型主要适用于分类型敏感属性的数据,而不适用于数值型敏感属性的数据。为此,本文提出面向数值型敏感属性的分级多样性模型。该模型首先将数值型敏感属性域分级,再基于分级信息实现数值型敏感属性的多样性。本文还设计了实现分级多样性模型的l-Incognito算法。从匿名表的多样度的角度对分级多样性和未分级的多样性进行了比较,实验结果表明：前者产生的匿名数据具有更高的多样度,因而前者具有更强的抵制同质性攻击和背景知识攻击的能力。