数据发布中的隐私保护问题是信息安全领域的一个重要研究方向,如何防止敏感信息泄露已经成为现在研究的热点。高维数据由于其数据量庞大、关联度高的问题,导致经过差分隐私保护的数据效用性较差。出现这种问题的其中一个原因,是因为大多数差分隐私保护算法使用的都是全局敏感度,并没有注意到实际数据集中不同数据添加的噪声应该是不同的。不仅如此,对高维数据进行差分隐私保护,一般需要耗费很多时间。因此,如何在保护数据隐私的情况下又能保证数据的效用性并且能够提高算法的运行效率,成为基于差分隐私的高维数据发布的主要研究问题。针对以上两个问题,本文提出如下两种算法:(1)提出了一种基于贝叶斯网络的数据发布算法SSPrivBayes(Smooth Sensitivity Privacy Bayes),该算法是对PrivBayes算法的改进算法。为了提升发布数据的效用性,SSPrivBayes算法通过引入平滑敏感度的概念,在实现差分隐私的同时减少了噪声的加入,从而提高了发布数据的效用性。实验在四个真实数据集上进行,验证了本文提出的算法能够提高数据发布的效用性。(2)提出了一种可以缩减贝叶斯网络搜索空间的算法PBCPC(Privacy Bayesian Candidate Parents and Children),该算法针对构建贝叶斯网络搜索空间过大的问题,通过启发式方法获得目标变量的候选父子集,这样缩减了贝叶斯网络搜索空间,提高了算法的执行效率。实验结果表明:在属性数量过少时,算法PBCPC在运行时间上不具备优势。相反,属性数量越多算法PBCPC在运行时间上要优于算法PrivBayes。