基于皮尔逊相关系数的决策树（PCCDT）算法是决策树领域的一种贪婪型算法。其广泛应用于模式识别和信息检索领域,能够帮助医疗机构更精准地对病人进行诊断,帮助企业或个人更好地做出决策等。然而,当数据集中包含个人敏感信息（如病人的诊断信息,顾客的购物信息等）,在决策树使用过程中遭到具有一定背景知识的恶意用户攻击时,个人的隐私安全就会受到威胁。如何在决策树使用过程中对敏感信息进行保护,同时又能保证决策树的效用性是一个需要解决且充满挑战的研究问题。因此,本文针对PCCDT算法提出了一种基于皮尔逊相关系数的差分隐私决策树保护算法（Diff-PCCDT）,该算法主要由两个部分组成:指数机制挑选最佳分裂属性部分和对叶节点中类计数的扰动部分。实验证明,通过将隐私预算的分配与树的最大深度相结合,能够在一定程度上提升算法的运行效率和预测精度。此外,由于PCCDT在大数据场景下会遇到性能瓶颈问题,所以仍需提高其在处理大规模数据时的性能。对于Diff-PCCDT算法,当数据量过大时,其性能不仅会降低,而且精度也会因为过量的噪声影响而降低。因此针对上述问题,本文通过将差分隐私与Map Reduce框架下基于皮尔逊相关系数的并行决策树算法（MR-PCCDT）相结合来解决这些问题,本文将这种方法命名为基于皮尔逊相关系数的差分隐私并行决策树算法（Diff MRPCCDT）。通过将一个大型数据集划分成若干个不相交的小型数据集,然后分别对每个小型数据集进行处理,在降低精度损失的同时能够有效的提升算法的运行效率。本文针对基于皮尔逊相关系数的决策树算法存在的隐私问题展开研究,通过对该算法在运行过程中存在的隐私泄露问题进行详细的分析并提出了相应的解决方案,主要研究工作如下:（1）提出了一种基于皮尔逊相关系数的差分隐私决策树方法Diff-PCCDT。首先分析了基于皮尔逊相关系数的决策树存在的隐私问题,针对该算法阐述并分析了在决策树构建过程中,拥有强大背景知识的攻击者是如何根据所获得的皮尔逊相关系数和叶节点中的类计数来反推出数据集中个人的敏感信息,指出基于皮尔逊相关系数的决策树的隐私泄露问题是客观存在且严峻的。对于算法的隐私泄露问题,本文提出了一种隐私保护方案,通过将每个中间节点的条件属性与决策属性之间的皮尔逊相关系数作为质量函数,利用指数机制来挑选最佳分裂属性,然后对每个叶子节点的真实类计数添加拉普拉斯噪声,保护了决策树构建过程中的隐私。实验在6个中小型数据集（Adult、Mushroom、Sonar等）上进行,与经典的差分隐私决策树算法Diff P-ID3进行了比较,在调整了决策树最大深度和隐私预算这两种参数的情况下从算法的测试精度上对所提出的Diff-PCCDT算法进行评估。实验结果表明Diff-PCCDT算法在预测精度上更有优势。（2）提出了一种在大数据情况下基于皮尔逊相关系数的差分隐私并行决策树方法Dif f MR-PCCDT。通过将差分隐私与Map Reduce框架下基于皮尔逊相关系数的并行决策树算法MR-PCCDT相结合,解决了并行计算框架下的隐私保护问题。由于Map Reduce框架下基于皮尔逊相关系数的并行决策树算法是通过将一个大型数据集划分成若干个不相交的子集,然后分别对子集进行相应的处理后递归地构建决策树。因此对于隐私预算的分配可以利用差分隐私的并行组合性质,这样可以减少大规模数据集下的噪声累计量,进一步提升了算法在大规模数据集下的效用性。最后对提出的Diff MR-PCCDT算法,用严谨的数学公式证明了这种方法满足差分隐私。在并行计算的情况下,本文在9个中大型数据集上进行了实验,由于缺少直接方法进行对比,所以本文直接将Diff MR-PCCDT与Diff-PCCDT进行比较。实验结果表明,该算法虽然在测试精度上与Diff-PCCDT算法相差不大,但是在保证隐私的情况下显著提升了算法的运行效率。