随着大数据和信息技术不断发展,个人信息的隐私问题受到越来越多的关注,如何在数据发布、模型训练的同时保证其中的个人敏感信息不被泄露是当前面临的重大挑战。差分隐私以其严格的数学定义,可量化的隐私保护程度在保障用户数据安全方面得到广泛应用。传统的中心化差分隐私建立在可信第三方数据收集者的假设基础上,在服务器端对用户数据进行隐私处理,然而该假设在现实中不一定成立。受此启发,本地差分隐私被提出,其具有强隐私保护性,不仅可以抵御具有任意背景知识的攻击者,而且能够防止来自不可信第三方的隐私攻击,对敏感信息提供了更全面的保护。本文深入研究了本地差分隐私在数据统计发布场景与分布式机器学习场景下的应用,并针对现有算法模型的不足,分别提出基于本地差分隐私的多维数据统计发布方案和基于本地差分隐私的联邦学习模型,主要内容分别如下:在本地差分隐私统计数据发布场景下,针对数据维度高以及数据具有关联性的特点,提出了一种满足本地差分隐私的分布估计与均值估计算法,在较少通信代价与不分割隐私预算的情况下,对多维数据进行统一处理。具体来说,基于用户数据不同维度之间的关联性,将用户端数据作为键值数据进行处理,使整个系统隐私预算比顺序组合性计算的隐私预算更小。通过加权随机采样、本地扰动、数据上传、数据聚合、数据发布等步骤,发布满足本地差分隐私的数据统计信息。与已有方案相比,本方案在用户本地数据量较大的情形下,使用加权随机采样算法只需要扫描一遍用户本地数据集,在保证数据可用性和隐私保护级别的前提下,提高了数据发布效率,且用户可根据自身隐私偏好对不同数据赋相对权值,对于隐私性越强的数据赋予更小的权值,以实现被随机采样到的概率更小,满足用户细粒度隐私保护需求。在本地差分隐私分布式联邦学习场景下,针对全局参数泄露以及多维梯度上传通信代价高的问题,提出了一种满足本地差分隐私扰动机制的联邦学习模型,其设计基于横向联邦学习系统架构,联邦学习的各个参与者具有特征空间相同的本地数据集。模型主要包括中心服务器分发全局参数、本地训练、本地梯度更新、梯度扰动、梯度上传、更新全局参数等步骤。通过本地差分隐私梯度扰动为梯度保护提供严格的隐私保证,中心服务器聚合扰动梯度后求解梯度均值来更新全局模型。与已有方案相比,本文提出的方案更加稳定,能够很好地解决误差偏大等问题,在图像分类任务和经验风险最小化任务的实验验证了该框架的隐私性和有效性。