数据发布时的隐私保护问题以及如何防止用户隐私泄露已成为网络空间安全领域的研究热点。目前,该问题的最新解决方案是使用差分隐私机制,差分隐私是一个评估和保护数据隐私的严格数学框架,它具有更高的性能和坚实的理论基础;然而,使用差分隐私的现有技术无法有效地处理高维数据的发布问题。高维数据由于其数据量大而且相关性高的特点,在使用差分隐私机制发布数据时,数据的实用性比较差;特别是当输入数据集包含大量属性时,现有的方法需要注入大量的噪声,这使得发布的数据由于过度失真而几乎变得毫无用处,对发布数据的准确性和可用性造成很严重的影响。因此,尽管目前的高维数据发布方法可以解决高维数据发布的问题,但是大部分发布方法并不能有效平衡高维数据之间复杂的关联性和不可信第三方的隐私威胁问题,导致最终所发布的合成数据的实用性较差。针对上述问题,本文的主要工作如下:（1）针对高维属性集之间的相关性问题,提出高维数据改进贝叶斯网络本地差分隐私数据发布算法（Normalized information entropy Priv Bayes,NE-Priv Bayes）来构建质量更优的贝叶斯网络。该方法采用最大期望算法计算高维数据集的联合概率分布,基于归一化信息熵和互信息的方式构建贝叶斯网络,使构建的贝叶斯网络能在很大程度上还原原始属性集的相关性。（2）针对现有的构建贝叶斯网络算法中没有考虑度值k以及初始节点一旦选定无法修改等问题,提出基于改进离散蜂群算法的贝叶斯网络搜索算法（Improved DABC-based Bayes Network Searching algorithm,IDBNS）,使其在有限的复杂度下,搜索质量更优的贝叶斯网络结构。该方法使用离散人工蜂群算法构建贝叶斯网络,对贝叶斯网络结构进行学习,其目的主要是从搜索空间中按照BIC评分标准找到一个全局最优的食物源。在Adult数据集上进行实验并与Priv Bayes方法进行比较。仿真实验表明NEPriv Bayes方法在数据实用性方面具有优势,而且IDBNS算法得到的贝叶斯网络结构的收敛性更好。