随着信息技术的发展,数据挖掘技术在一些深层次的应用中发挥了积极的作用。与此同时,也带来隐私保护方面的问题。如何在数据挖掘过程中解决好隐私保护问题,成为数据挖掘领域的一个研究热点。在数据挖掘中,通常隐私被划分为两类:一类隐私是原始数据本身所具有的,另一类隐私是原始数据所蕴含的知识。本文通过对第二类隐私问题从两个方面进行的研究,提出了相对应的隐私保护的数据挖掘算法。　　针对在水平分布数据环境下使用传统k-最近邻分类算法不仅需要高速的数据通信网络,还可能会使数据的私有性和安全性遭受威胁。本文从隐私保护的角度出发,对k-最近邻分类算法进行了深入的研究,提出了基于安全多方计算(SMC)的水平分布数据环境下的有效分类算法KNNDE。理论分析和实验证明了该算法在达到与传统集中式k-最近邻分类算法相近精度的同时,保持了参与协作挖掘各方的数据隐私性。　　针对关联规则挖掘过程中的隐私保护问题,提出了一种采用减小敏感项集支持度或置信度的算法,对敏感关联规则进行隐藏。隐藏算法的目标是在关联规则挖掘的隐私保护和减少对原始数据集影响之间取得平衡。本文使用IBM人工数据集生成器,随机生成用于验证算法有效性的实验数据。理论分析和实验均表明,该隐私保护的关联规则挖掘算法具有很好的有效性、正确性。