随着网络信息技术的高速发展以及数据挖掘等技术对服务人们社会生活所起到的作用越来越显著，数据共享作为一种数据来源对政府部门、商业机构和研究机构从事各种目的的研究的重要性不容置疑。数据共享给用户提供便利的同时，对个体数据隐私保护就显得非常的重要。k-匿名模型是一种保护个体隐私信息的经典方法，由于对共享数据安全的要求越来越严格，近年来出于增强数据安全方面的目的，对这种数据隐私匿名保护方法进行改进和优化显得十分重要。本文在研究当前共享数据匿名隐私保护方法的基础上，针对k-匿名模型很少考虑到的敏感属性值与准标识符属性之间的依赖关系造成的麻烦，结合敏感属性值多样性和敏感程度保护程度不同等实际需求，基于本文给出了诸多的约束规则，提出了一种（d,α）k-匿名模型。该方法通过结合依赖约束规则和非关联规则，以保护数据发布后的共享数据不受属性之间依赖关系而泄露个体身份，防止共享的有用信息被过度修改，合理的增强敏感属性值多样性以及约束高敏感属性值的分布。本文针对减少信息损失以及当前匿名泛化算法在处理分类型数据上的不足，将距离聚类算法引用到（d,α）k-匿名模型中，通过计算每条记录之间的距离，确保每个类中准标识符属性值尽可能的相似，以避免出现传统全域泛化和局域泛化存在的灵活性差、过度泛化和信息损失量大等问题。最后进行仿真实验，结果表明该方法在保护个体隐私信息的前提下，减少了因为数据匿名化所产生的信息损失。