针对基于生成对抗网络(GAN)的人脸隐私保护方法存在隐私平衡和训练震荡的问题，提出一种基于Diffusion-GAN的人脸隐私保护方法(Diffusion-based Privacy-Preserving Generative Adversarial Network，DiffPriv-GAN)。该方法通过设计条件编码扰动模块，利用Fisher线性判别准则对深度特征维度的身份敏感度进行分析，并在特征空间施加具备敏感性感知的定向扰动，从而实现对身份特征的精准混淆；同时构建联合损失对重建保真度、感知质量和隐私保护强度进行约束，实现视觉质量与隐私保护之间的平衡；并进一步提出渐进式三阶段训练策略，逐步引入隐私约束以提高训练稳定性。在CelebA数据集上的实验表明，DiffPriv-GAN在视觉质量方面取得显著优势，其SSIM、PSNR与FID分别达到0.89、27.74dB与18.45。在对抗性测试中，所提方法在IRSE50、IR152及FaceNet等主流人脸识别模型上均保持较高的隐私保护成功率，同时在Face++、Aliyun等商业API的识别置信度测试中也相对较低。上述实验结果验证了DiffPriv-GAN在隐私-效用权衡方面的优势，为解决人脸特征数据隐私保护提供理论支持与参考。