数据发布为数据交换和数据共享提供了便利，数据发布过程中的隐私泄漏问题也日益突出，隐私保护己成为数据库安全研究的一个新热点。K-匿名化是微数据发布环境下保护数据隐私的一种重要方法。K-匿名模型赋予匿名数据集以有效抵抗应用环境中可能出现的各类隐私推理攻击的能力，因此K-匿名模型的研究已受到理论界和工业界的广泛重视。论文对微数据发布场景中的隐私泄露问题进行研究，主要工作和贡献包括： 针对K-匿名模型中存在的过度泛化、潜在的隐私泄露等问题，本文提出了一种基于多维泛化路径的多维局部重编码方法，以及相应的两种K-匿名算法，包括完整Filter K-匿名算法和部分Filter K-匿名算法，并与Datafly算法和Incognito算法进行了实验对比，结果表明完整Filter K-匿名算法在数据精度上有很大提高，部分Filter K-匿名算法具有很高的执行效率。 针对K-匿名、L-Diversity等匿名模型无法解决的多敏感属性数据发布时存在的隐私攻击和泄露问题，本文提出了(k,s)匿名模型及(k,s)匿名算法。实验结果表明(k,s)匿名算法是一种高精度的算法，使待发布的匿名数据集具有防范多敏感属性隐私攻击的能力，具有实际应用性。 本文提出一种基于匿名覆盖率的匿名代价度量C，C度量相比其它度量能更加精确地计算匿名代价，并在计算时加入了均衡因子，可以在某些特殊情况下减少匿名计算偏差。 最后，文章分析了K-匿名及其相关研究中尚未解决的问题，展望了K-匿名及其相关技术的未来发展趋势。