随着网络通信技术的不断发展和基础设施的迅速完善,云计算和边缘计算逐渐走向成熟,这两种计算模式在处理复杂任务时各有优势,因此将云计算中心化处理和边缘计算就近处理结合的云边融合计算应运而生。然而云边融合计算在提供高效计算能力的同时,其所面临的数据安全与隐私保护问题也愈发突出。一方面,云计算部分已经成为数据挖掘的强有力保障,那么如何在数据挖掘和保护用户隐私之间进行权衡,在保证隐私信息安全的前提下获得数据的最大价值已经成为必须要解决的问题。另一方面,边缘计算部分提供了比云计算更强大的数据处理能力,但是从隐私保护的角度来看,增加的边缘节点却带来了更多的隐私泄露风险。如何借助边缘计算网络的特点,实现更高效、更准确的隐私数据采集和估计机制也是目前隐私保护研究的又一目标。针对上述两个问题,本文以差分隐私技术为核心,在云边融合计算环境下,对差分隐私保护机制进行研究,主要工作包含以下几个方面:（1）在云计算部分中,针对差分隐私聚类算法使用的传统隐私预算分配方式的缺陷,提出一种基于等差隐私预算分配的隐私保护聚类算法APDPk-means。该方法将首先确定一个最小隐私预算,然后将总的隐私预算分解成递减的等差数列,在迭代的过程中从大到小分配隐私预算,以保证前期迭代快速收敛。实验结果表明,与现有的差分隐私聚类算法相比,该算法在聚类结果可用性以及聚类质量方面都有着更好的表现。（2）在边缘计算部分中,针对已有本地差分隐私方法不能适应边缘计算特点的问题,提出了一个面向边缘计算场景的多层本地差分隐私键值数据收集框架MLPKV,该框架包含降维阶段、填充长度估计阶段和结果估计阶段。首先,提出EC-OLH算法,可以将聚合和估计的计算任务卸载到边缘节点,利用边缘节点提高算法执行效率;然后使用生成候选集的方式完成降维,以满足边缘计算对算法通信开销的要求;最后根据边缘计算的特点提出新的分组方式取代对隐私预算的划分。实验结果表明:在大规模数据集和低隐私预算的条件下,本文提出的方法在识别高频项、估计高频项的频率、均值的任务中比其他方法准确率更高,数据可用性也更好。（3）实现上述算法并构建了面向云边融合计算环境的差分隐私保护系统,该系统主要包括差分隐私保护聚类模块和本地差分隐私键值对数据收集模块。其中差分隐私保护聚类模块采用了本文提出的APDPk-means隐私保护聚类算法,面向云计算场景,实现了给用户提供位置隐私保护的功能;本地差分隐私键值对数据收集模块使用了本文提出的MLPKV多层本地差分隐私键值对数据收集方法,在保护用户购物信息的前提下,实现了识别高频商品并估计其频率和客户评价均值的功能。