随着网络的迅速发展，计算能力与存储能力的不断提高，数据集的规模也有了飞速的增长。为了从大量数据中获取有价值的信息，需要对采集到的数据进行数据挖掘。而特征选择又是数据挖掘中一个重要而且经常采用的预处理过程。它可以减少特征数目，去除不相关的、冗余的噪声数据，带来明显的应用效果：加速数据挖掘算法，提高挖掘算法性能，如增强预测准确性及结果的可理解性。隐私保护是数据挖掘中的一个重要研究方向，正是由于数据挖掘的广泛使用，使得隐私保护受到了极大的关注。如何在保护个人隐私的同时有效地进行特征选择是当今的一个研究热点。然而，现有的特征选择算法大都没有考虑保护个人隐私的问题，如医疗与财政记录等，这使得特征选择日后将面临严峻的信息安全问题。另外，各类应用产生的大量数据可能存储在多个站点上，为了挖掘如此庞大而且分布式存储的数据，分布式计算技术孕育而生。本文从保护特征的隐私和保护数据集的隐私两方面出发，提出了基于隐私保护的分布式特征选择算法。保护特征隐私方面，本文将PCA与SVM-RFE相结合，通过对SVM-RFE中评价准则的三种优化方法，提出基于PCA与SVM-RFE的隐私保护算法。仿真实验表明，该算法具有较好的性能，能够在保证一定准确率的同时，尽可能的降低所选特征子集的信息量之和，从而保护特征的隐私。保护数据集隐私方面，本文将基于统计理论（基尼指数、误分类增益、熵）的特征选择方法与差分隐私相结合，应用于分布式的Map-Reduce框架下，实现了分布式环境下的差分隐私特征选择算法，并从理论上证明了该算法满足差分隐私的定义。通过对UCI数据集与人工合成数据集的仿真实验结果分析可以得知，该算法能够在保护一定程度隐私信息的同时，选取出重要的特征。同时，一些对比实验也表明该算法的准确性以及分布式环境较集中式环境的优越性。