随着大数据时代的到来及医疗信息化的快速发展,医疗数据的共享与发布已引起各国政府的重视,成为信息化建设中的重点和关键。然而,医疗数据的共享与发布过程中存在着较大的隐私泄露风险。因此,通过何种方法既能保护患者的隐私还可以有效进行医疗数据的发布共享成为医疗数据应用领域一个重要的研究课题。为满足医疗数据发布共享中的隐私保护需求及数据可用性需求,本文的研究工作如下:第一,深入分析了医疗数据共享与发布过程中的患者隐私泄露风险,构建了基于区块链的隐私保护医疗数据发布共享框架,设计了基于区块链的隐私保护医疗数据发布流程及医疗机构间及其部门间的数据共享流程,分析了所提出框架的特点和优势,讨论了表格形式医疗数据的共享需求和统计性医疗数据的共享发布需求。第二,针对所提框架中的数据共享部分,提出适用于表数据共享的隐私保护方法。针对潜在攻击者可能通过相似性攻击、背景知识攻击获取患者隐私信息的问题,本研究通过定义高敏感属性组及限制等价类中高敏感属性值的出现频率,结合语义相似树提出了基于敏感度的(ε,α,k)-匿名模型,并设计实现共享算法。首先通过语义相似树划分表数据记录,将同类别的敏感属性划分到一起;然后通过聚类将相似性的元组记录划分到一起,并通过设置的敏感属性敏感度ε进行约束,使得等价类内数据记录满足K匿名的基础上,通过参数α约束敏感度高的属性值的出现频率,使等价类中的敏感属性值分布均匀,防止出现敏感度相似攻击和背景知识攻击;最后,通过K匿名算法泛化处理表数据中的准标识符,再进行共享。并通过Adult数据集将(ε,α,k)-匿名模型与(θ,k)-匿名方法进行了实验比较,验证了本文所提方法信息损失较低且降低了隐私信息泄露的风险。第三,针对所提框架中的数据发布部分,考虑到属性间的内在关联关系,提出了适用于统计数据发布的基于随机森林的差分隐私保护方法(RF-based DP)。首先,通过随机森林算法对数据集中的敏感属性列分别进行识别,基于识别正确率和属性的敏感程度实现隐私预算参数的分配;然后运用差分隐私加噪机制对统计数据进行处理,保证数据的隐私性。通过与经典的基于拉普拉斯机制的差分隐私算法进行实验比较,证明所提出的算法降低了发布数据的误差量。