随着计算机技术和网络技术的飞速发展,大量个人信息被政府部门、商业机构等存储或发布。这些信息中含有许多与个人相关的隐私信息,虽然信息的高度共享给人们带来巨大的便利,但同时也对个人隐私带来了威胁。因此在数据发布的同时保护好个人的隐私信息也就成为了近年来研究的热点。本文探讨了课题研究的背景和意义,总结了当前国内外的研究现状,对数据发布中的隐私保护相关模型及其算法进行了综述,在此基础上,分别研究了以关系数据表形式和社会网络形式发布的数据隐私保护技术,提出了一种针对关系数据表形式数据的基于敏感性分级的(αi,k)-匿名模型,以及面向社会网络的基于顶点1-邻域子图的k-匿名模型。本文的主要研究工作包括：1.对面向数据发布隐私保护的相关研究现状作了分析,对隐私保护的相关知识进行了概述,并分析比较了两种数据形式隐私保护的一系列模型及其算法。2.针对传统(α,k)-匿名模型所存在的问题,提出了一种基于敏感性分级的(αi,k)-匿名模型。通过定义敏感值距离来描述敏感值之间的敏感性差异,引入有损连接的思想,设计了基于贪心策略的(αi,k)-匿名聚类算法,并以此来实现基于敏感性分级的(αi,k)-匿名模型。实验结果表明,与传统(α,k)-匿名模型相比,在提高执行效率的同时又降低了信息损失量,并能够较好地抵制同质性攻击和部分背景知识攻击,是一种更为有效的隐私保护方法。3.针对现有社会网络形式数据发布模型所存在的问题,提出了一种基于顶点1-邻域子图的k-匿名模型。该模型将k-匿名保护的思想引入到社会网络顶点的邻域子图,设计了基于1-邻域子图的社会网络k-匿名算法,通过邻域匿名化实现子图间的同构,达到抵制邻域背景知识攻击的目的。实验结果表明,该模型具有较好的抗攻击能力。