随着大数据技术、移动通信技术和互联网技术的发展,人们对于身份信息验证方式的需求愈加趋于智能化。许多身份验证系统例如小区门禁系统、车站验票系统等都采用人脸识别和人脸检测技术来验证个体身份。人脸识别和人脸检测技术为人类生活带来便利的同时,也带来了许多潜在的风险。一方面,人脸识别模型在训练中会产生许多敏感的隐私参数,这些参数一旦被窃取将会带来严重的后果;另一方面,在人脸检测中应用服务提供商需要对脸部数据和用户图像进行存储,这些信息一旦发生信息泄露可能会对用户造成巨大的经济财产损失。本文针对上述两点问题中涉及到的隐私数据保护问题展开研究,研究内容分为以下两个部分:为了保护人脸识别模型训练中图像特征提取和模型参数更新产生的敏感数据的安全,现有的优秀算法大多在识别模型中加入差分隐私机制。然而,一方面加入差分隐私机制为模型训练增加了复杂度消耗;另一方面,差分隐私机制也会带来隐私保护过于严格的问题并使隐私数据可用性降低。针对上述两个问题,本文基于差分隐私机制提出了一种轻量级的深度置信网络安全隐私保护框架。该框架首先在本地提取原始人脸图像的数据特征,并对特征添加拉普拉斯噪声使处理后的人脸特征计算满足差分隐私性质。同时,为了解决隐私保护过于严格的问题,本文提出了均衡化和个性化两种差分隐私实现机制,并将两种机制应用于所提出的安全识别框架。其次,框架的特征提取过程使用局部二值模式代替卷积方式提取图像的纹理信息以减少时间复杂度和数据维数。最后,本文在实验部分同其他优秀图像隐私安全识别模型进行了对比。同时,本文使用不同的人脸数据集来检测框架的人脸识别性能、计算消耗和隐私性。人脸检测中存在图像数据收集和存储的数据泄露威胁。因此,本文针对人脸检测时的数据采集过程设计了一种基于投影特征向量的隐私保护方法。该方法解决了目前人脸扰动算法仅集中针对某一种人脸检测方法而缺少普适性的问题。同时,本文通过具体的数学证明解释了原始人脸图像和本文所提算法处理后的人脸图像之间存在阈值上界。在人脸数据集上使用优秀图像检测框架进行的人脸检测实验表明使用不同神经网络对扰动前后图像进行检测,精确率下降范围为0.3%～6.27%。本文使用多种人脸图像质量评价方法对于扰动后图像进行判定,并同现有优秀人脸扰动算法进行对比,实验表明扰动后图像仍然具有较高的图片质量且优于相比较的算法,扰动后图像满足数据可用性要求。