随着大数据相关产业的发展,数据分析广泛应用于数字医疗、位置服务、社交网络等领域。k-means算法作为一种常用的数据分析方法,发布的聚类质心点和簇内样本数容易导致样本数据的隐私泄露。差分隐私作为一种新型的基于数据扰动的隐私模型,能在最坏的攻击情境下提供可证明的隐私保障。因此,针对差分隐私k-means聚类算法开展研究是一项具有重要意义的工作。首先,针对DPLloyd算法的初始质心选取问题,本文提出了一种基于网格划分选取初始质心的方法。该方法利用了数据集的空间分布信息,避免了选取初始质心的主观性和随机性。通过采用S1数据集进行验证,在总隐私预算较大时,基于网格划分的初始质心选取方法较显著的改善了DPLloyd算法不收敛的问题。其次,针对DPLloyd算法的隐私预算分配问题,本文给出了一种Taylor级数形式的隐私预算分配方案。该方案在总隐私预算一定的条件下,单轮的隐私预算随着迭代次数的增加而增大,从而提升了较后轮次的聚类质量。通过采用S1数据集进行验证,在总隐私预算较小时,相比平均隐私预算分配方案,Taylor级数形式的隐私预算分配方案能较大地减小评价指标NICV的值。最后,本文设计了基于质心加噪的DPCenk-means算法和基于和函数加噪的DPSumk-means算法,在理论上证明了两种算法均满足差分隐私定义。通过采用Iris、S1、Adult、3D Road Network数据集进行验证,在初始质心选取方案和隐私预算分配方案相同的条件下,DPCenk-means和DPSumk-means算法的聚类效果优于DPLloyd算法。