随着数据共享分析技术的不断发展,采集分布终端数据并进行挖掘分析已成为大数据分析的一种常态,在采集者与终端数据所有者互不信任的情况下,数据采集分析中的隐私保护问题已成为影响大数据分析应用走向深入的桎梏。近年来本地化差分隐私以其严谨的数学理论基础在数据采集与挖掘分析领域得到了持续关注。频繁项集挖掘和聚类是具有广泛应用场景的基本挖掘方法,现有本地化差分隐私场景下的频繁项集挖掘和聚类方法存在隐私预算较大且挖掘结果可用性不足问题。针对上述问题,研究基于本地化差分隐私的频繁项集挖掘方法和高斯混合模型聚类方法,降低隐私预算损耗,提升数据精度并提高挖掘结果可用性。本文主要工作如下:（1）针对现有基于本地化差分隐私的频繁项集挖掘方法所采用的二进制编码扰动方案存在编码冗余,从而导致扰动误差较大的问题,提出一种改进的数据扰动方案,在保护数据隐私的同时提高数据可用性;针对已有方法的采样填充技术所需隐私预算较大的问题,引入隐马尔可夫模型,避免了对多维数据庞大候选项集的访问,实现对候选项集的快速生成,进而构建概率图获取频繁项集,提高算法效率和挖掘结果可用性。（2）针对现有的基于k-means的本地化差分隐私聚类方法不适用非凸状分布数据问题,提出一种基于本地化差分隐私的高斯混合模型聚类方法,针对传统数据采集方式直接应用于高斯混合模型聚类方法存在隐私预算较大的不足,设计一种低隐私预算数据采集方法,提升数据可用性;针对高斯混合模型聚类对初值敏感的问题,设计聚簇合并机制,降低初始聚簇数目的敏感性,并减少通信代价与隐私消耗,提高聚类质量。理论分析和实验结果表明所提方法能够在实现隐私保护数据挖掘的同时保持较好的数据可用性。