随着信息技术的迅猛发展以及大数据时代的到来,数据挖掘技术得到了极大的促进与发展。然而,在训练数据挖掘模型的过程中可能会涉及到用户的个人信息,对这些数据的不当使用容易带来严重的隐私泄露问题,对个人乃至社会造成不良的影响,同时也极大的阻碍了数据的共享和挖掘技术的发展。目前,具有隐私保护的数据挖掘算法成为了一个热门的研究方向,其核心任务在于如何平衡隐私保护和模型准确性之间的矛盾。差分隐私技术提供了一种具有严谨数学定义且可操作的隐私保护机制,为具有隐私保护的数据挖掘算法提供的新方向。在本文所涉及到的集成分类算法中,研究与分析了将差分隐私应用于相应数据挖掘算法的实现机制和设计重点,以及算法实现中的隐私预算分配问题。实现了所提算法的隐私性和模型可用性之间的平衡。本文主要的工作可以归纳为以下几个方面:（1）为了提高满足差分隐私保护的决策树算法的可用性,本文提出了一种基于深度的隐私预算分配方法,该方法能够把隐私预算尽量预留给决策树的叶子节点。避免了传统的层次均分策略中随着层次的增加累计的噪声量越大的问题。此外,分析了构建满足差分隐私保护的决策树时不同节点的实现机制。（2）在前一研究的基础上,提出了一种满足差分隐私保护的随机森林构造算法。并通过基于选择集成的方式,改进模型集成的方案,提高了随机森林模型的可用性。（3）为了解决分布式数据挖掘中的隐私保护问题,提出了基于差分隐私保护的分布式决策提升树算法。该方案通过分布式集成的思想来加强参与者的数据分布,并设计了一种自适应的模型集成机制,使得算法在满足差分隐私保护的前提下,提高了模型分类的准确性。最后,通过理论分析和实验验证了所提算法能够在满足隐私保护的前提下,保证一定的算法结果的准确性和可用性。