近年来,随着Internet、数据存储和信息科学的迅猛发展,大量与个体相关的数据被政府部门或研究机构广泛收集并发布。然而,这些以数据挖掘与知识发现、数据共享等为目的的数据发布过程往往都会导致个人隐私信息的泄露。针对数据发布中匿名方法存在的低相关属性间的关联识别导致隐私泄露的问题,本文提出一种基于重叠式剖分的数据匿名方法。该方法主要分四个部分,首先是属性剖分,主要思想是通过断开低相关属性间的联系来保证数据的安全性,因为非强关联属性会由于出现的频率比较少从而更容易被攻击,同时保持高相关属性间的联系来提高数据可用性,并给出切实可行的属性剖分算法。针对数据属性的剖分,本文采用了基于模糊聚类的方法,针对模糊聚类算法FCM的孤立点敏感性问题作了相应的改进,得到一种新的模糊聚类算法WFCM,并作了相应的验证对比实验。实验表明,在聚错样本数和准确度方面综合考虑,WFCM算法与原始FCM算法相比表现更好。其次是数据记录分组,使数据表满足l-diversity匿名策略,同时也给出了数据集记录分组算法。再其次是对含有敏感属性的属性组中的准标识符属性进行局部概化处理,以此来保证隐私数据的安全。最后采用UCI机器学习数据库中的Adult实际数据集,通过与Generalization、Anatomy、Slicing三种匿名方法进行多次对比实验,结果表明重叠式剖分方法相较于以上三种方法,在满足l-diversity匿名策略的前提下,提高了匿名数据的可用性,并且拥有较好的计算效率。