随着网络的广泛应用，数据发布成为各领域发布数据、获取数据的一个重要手段。随着知识发现与机器学习在诸多领域的深度应用和广度拓展，隐私保护数据挖掘已经成为知识发现领域的一个核心问题，基于数据发布的隐私保护数据挖掘已经成为涉及到每个国家、每位公民的首要问题。 本书基于安全多方和加密技术，设计出了全新的完全同态加密算法，并在此基础上提出FHE-DK-MEANS模型和FHE-DBIRCH模型。理论证明和实验表明完全同态加密算法在水平分布式数据库的数据挖掘中可以完全的保护隐私数据。 针对数据发布中个性化隐私保护需求增加的问题，提出了个性化( ,ℓ)-多样k-匿名模型，实验表明该模型可以在数据发布的同时满足敏感属性的个性化隐私保护要求。为解决该模型效率较低的问题，提出个性化并行( , k) -匿名模型，理论证明并实验分析了该模型效率上的优势。 针对匿名化技术的大量使用导致隐私保护模型信息缺失度高、查询精度下降的问题。提出了( ,ℓ)-多样k-匿名有损分解模型。该模型针对不同等价类的 约束，利用有损连接生成的冗余信息实现隐私保护，模型保留了原始数据的取值，匿名度低，理论证明并实验分析了该模型在数据发布中具有更好的隐私保护能力和更高的灵活性。