本发明涉及一种基于特征区域分割的差分隐私深度学习方法，首先通过逐层相关性传播算法获取不同训练数据的输入特征对于模型输出的贡献度，计算差分隐私贡献度，由凝聚层次聚类算法依据差分隐私贡献度将输入特征自适应地分割为重要性不同的区域，根据每个区域的重要程度，分区域对输入特征添加拉普拉斯噪声，为了避免攻击者通过数据的标签获取敏感数据信息，将损失函数转化为多项式的形式，再对多项式的系数添加拉普拉斯噪声，深度学习模型使用差分隐私的数据训练模型，通过噪声损失函数计算梯度，更新模型参数用于后续的训练过程；本发明可以在保证深度学习模型隐私性的同时，维持模型良好的可用性。