大数据和人工智能已成为社会技术发展的主要着力点和研究方向。在信息共享的时代,无论是互联网公司,还是科研机构都致力于研究能够帮助社会发展、保证社会稳定的新技术。在这些应用中,图像、视频等视觉数据起到重要作用。计算机视觉等任务在社会发展中应用也越来越广泛。在人工智能发展与普及的同时,一些涉及到敏感信息的数据却没有得到很好地管控,信息被大量外泄和滥用使个人或公司的隐私权益受到侵犯。如何在合理使用视觉数据的同时有效对其进行保护成为科研人员的工作方向。常用的隐私保护技术包括加密处理、视频隐写等。本论文针对现有视觉隐私保护算法存在的实际应用性差、算法复杂度高等问题进行研究,具体完成了以下工作:（1）提出了一种基于实例分割的个体保护算法。该算法分为个体定位与保护两个阶段。在一阶段创新性的使用实例分割技术,网络结构包括主干网络、特征金字塔网络、原型掩模生成网络和输出网络。主干网络通过加入注意力机制有效选择特征。特征金字塔和原型掩模生成网络引入底层特征进行多尺度融合。输出网络使用三种主流的损失函数进行针对性约束,帮助网络训练和反向传递。四个网络相互配合,最终达到定位个体的目的。定位阶段使用实例分割技术提高了模型的推理阶段速度,并且能够帮助区分类内差距。二阶段将定位得到的数据使用前景与背景分析实现图像的隐藏处理,以达到最终的个体保护目的。该算法可以有效解决视觉隐私保护算法复杂度高、边界刻画不清晰的问题,增加实用性,提高运算速度。（2）提出了一种基于差分隐私的人脸保护算法。该算法目的是保护训练集的人脸数据,防止信息被篡改。算法首先对人脸识别网络结构进行改进,用线性变换代替卷积操作,降低网络参数量。在保证算法识别率的同时,能够提高推理阶段的运行速度,以达到缓解隐私保护训练机制高运算复杂度的目的。其次,获取训练集中的敏感数据和非敏感数据。采用“教师-学生”融合架构,通过在敏感数据上训练多个人脸识别教师网络并使用投票机制对非敏感数据标注得到最终的训练数据。最后,将该数据作为学生模型的输入进行训练得到最终的公开模型。该算法通过保护神经网络参数以达到保护训练集敏感数据的目的,有效地提高算法安全性,防止模型被攻击与篡改。（3）搭建隐私保护系统,嵌入人脸保护和个体保护算法。该系统使用客户端和服务器端连接的方式满足用户需求,个体保护部分主要分为隐私定位模块、图像处理模块和训练模块。根据使用方提供的要求,系统以增加个体的形式实现信息的隐藏。人脸保护部分则通过在线训练与离线训练的方式隔离敏感数据,通过隐私保护训练机制以达到保护数据集和防止被篡改的目的。