图像或视频的隐私泄露事件成为近几年的热门话题,传统的模糊、像素化、图像加密、K-匿名等掩盖图像中身份信息的隐私保护方法,常常破坏图像中的其他敏感信息,例如性别、动作、年龄、表情等,极大地限制了隐私图像保留的可用性。然而,对于图像或视频的隐私保护往往需要权衡隐私图像的隐私性和可用性。随着生成模型的发展,出现了一些基于生成模型的隐私保护方法,如基于变分自编码的人脸重建替换方法、基于生成对抗网络（GAN,Generative Adversarial Networks）的去识别方法等。这类方法可以保留较好的图像视觉效果,但多数方法仍然缺乏对隐私保护性和图像实用性之间平衡问题的研究,以及对原始敏感训练数据和模型的理论安全性分析。为了解决这个问题,本文首先提出了一种差分隐私辅助分类GAN方法,该方法基于新的阈值裁剪方式和扰动策略,在保护训练图像的隐私性同时也可以提升模型的性能,从而达到隐私性和可用性之间的平衡。首先,针对固定梯度阈值选取对影响优化器性能的问题,本文提出了一种自适应的梯度阈值裁剪方法,将批样本梯度L₂范数的中位数作为动态梯度阈值。然后,利用最新提出的具有更严格隐私约束的Renyi Accountant跟踪训练过程中花费的隐私预算,进而评估并最小化隐私损失,从而保护了敏感训练数据和模型的安全性。最后,在MNIST数据集上进行实验测试,实验结果表明本算法具有较好的视觉效果,且Inception Scores有明显的提升,在相同的隐私参数的设置下,与基于Moments Accountant的差分隐私辅助分类GAN相比,本方法的平均分类准确率有所提升,说明了本方法生成图像的隐私保护性和可用性保留可以达到较好的平衡。同时,考虑到对人脸图像的隐私保护问题,同时兼顾人脸识别软件中保留的实用性,本文提出了基于CycleGAN的人脸属性隐私保护方法,合成的隐私图像保留了年龄、种族等属性可用于人脸识别检测,同时也实现了对性别属性的隐私保护。首先,将性别这一软属性作为人脸图像敏感信息,提出基于性别属性迁移的图像隐私保护方法。然后,定义损失函数、训练本算法得到隐私图像。最后,在CelebA人脸数据集上,与遮挡、像素化、加噪等多种隐私保护方法开展对比试验,采用4种指标评估并分析隐私图像的可用性,同时采用性别检测率评估并分析合成图像的隐私保护能力。实验结果表明,正向性别检测率明显降低,即对性别属性具有较好的隐私保护性,同时本方法的余弦相似度、FaceQnet Scores、结构相似性指数、峰值信噪比指标均有所提升,说明了本方法的在保证图像隐私性的同时还可保留较好的实用性。