在现代信息社会中,网络的快速发展使得越来越多的数据实现了共享,其中很多数据含有用户的隐私信息。信息的增长为人们的工作和生活提供了便利,也对个人隐私造成了威胁。在数据发布的过程中,常常会出现用户隐私信息泄露的问题,隐私保护已成为一个重要的研究领域。k-匿名是保护隐私信息的重要方法,它能够简单有效地对发布数据进行隐私保护。近几年,很多学者又将微聚集方法与k-匿名技术相结合,以达到更好的匿名效果。本文主要针对隐私保护中的微聚集方法进行研究,具体工作如下:(1)研究了隐私保护的相关技术,重点分析了k-匿名模型和l-多样性模型,通过对各种k-匿名算法的比较,明确了各算法的优缺点,并对算法的不足之处提出了改进。(2)对隐私保护中的微聚集方法进行了深入研究,总结了微聚集匿名技术的发展动态,分析了微聚集算法的评估模型。针对现有微聚集算法在处理大样本数据集时耗时长、效率低的问题,提出了改进方法。通过引入分治法思想,对大数据集进行聚类预处理,能够缩短算法执行时间,提高算法运行效率。(3)分析了初始聚类对数据集敏感属性分布的影响,针对现有微聚集算法在处理敏感属性多样性问题时的不足,本文在聚类基础上提出了一种MKL算法。该算法在初始聚类的过程中按比例划分,然后再对各个子数据集进行l-多样性处理,从而使得匿名数据既能满足可用性,又不会造成过高的信息损失。最后对算法中m值的取定给出了有效评估方法。(4)利用加利福尼亚大学机器学习中心的Adult数据库对算法进行了相关实验,并对实验结果进行了分析。通过比较算法的执行时间、信息损失度及隐私泄露风险,对算法性能作了评估。实验结果表明, MKL算法不仅能够提高运行效率,而且在聚类中实现了l-多样性,使数据的安全性得到了提高。