在大数据时代,数据已经成为社会活动的重要元素和推动社会发展的一种新型生产资料。政府部门、研究机构等数据收集者,为了信息共享、政务公开、科学研究等目的,将收集到的数据发布到大数据平台中进行分析和共享。由于发布的数据可能涉及个人隐私,因此数据发布者会在发布前对数据集进行隐私保护处理,但处理后的数据中仍可能存在一些敏感数据,这些敏感数据在与外部数据库关联后会还原出个人隐私信息。如果不对敏感数据进行准确识别和保护,数据集在遭到背景知识攻击、链接攻击等隐私攻击后,就存在着个人隐私信息泄露的风险。面对频发的信息安全事件和愈发严格的信息安全保护要求,保障个人隐私信息安全已经成为重中之重。但随着数据集种类的增长,数据之间的关系愈加复杂,如何实现面向数据发布的敏感数据识别,已成为一个亟待解决的问题。针对这一问题,本文结合信息熵和关联挖掘提出一种面向数据发布的敏感属性识别和分级分类的方法。本研究完成了以下研究内容并取得相应成果:（1）本文提出了一种面向数据发布的敏感属性识别方法。利用信息熵和极大离散熵量化属性的敏感度,通过对敏感度聚类建立敏感特征属性集。采用Apriori算法和互信息理论分析属性间的相关性,构建属性依赖图,挖掘敏感特征属性的关联属性,实现敏感属性的识别。实验表明,该方法可同时适用于信任模式和非信任模式下数据发布中的敏感属性识别,无需建立敏感数据字典,且兼顾了属性间的相关性。（2）本文提出了一种面向数据发布的敏感属性分级分类方法。基于属性敏感度和属性间的相关性,提出了一种敏感等级评价方法,实现了敏感属性的分级。收集个人隐私相关的数据表,定义敏感属性的类型及其元素空间,使用Jaro-Winkler距离算法比较属性与元素之间的相似度,实现敏感属性的分类。（3）基于本文提出的敏感属性识别和分级分类方法设计并实现一套敏感数据识别系统,从需求分析、概要设计、详细设计、系统实现和测试等方面对系统进行了详细的阐述。通过测试,本系统可实现面向数据发布的敏感属性的识别和分级分类,并以图表的形式对敏感属性进行展示和统计。