本文提出面向可扩展模糊隐私集合求交（Fuzzy PSI）的高效协议，支持一般 L_p (p∈[1,∞]) 距离度量，并适用于低维和高维数据集。核心贡献是设计了两种高效的模糊匹配协议：第一种基于角色反转的不经意伪随机函数（OPRF），将计算开销从以往工作的 O((log δ)^d) 降低至 O(d log δ)；第二种利用定制的不经意传输（OT），开销为 O(dℓ)，ℓ 为输入比特长度，特别适合短输入场景。基于这些基础协议，作者进一步提出一种新的双层哈希框架，用于低维集合的模糊 PSI，并以基于 OT 的模糊匹配进行实例化，同时引入域缩减优化。整体协议的开销与 n、m、log δ、2^d 呈线性关系，消除了先前工作中 O((log δ)^d) 或 O(δ) 的因子。对于高维集合，作者构建了基于 OPRF 和 OT 模糊匹配的模糊 PSI 协议，其渐近开销与 n、m、d、log δ 线性相关，但依赖于较强的全局不相交假设。大量实验评估表明，与 van Baarsen 和 Pu（ASIACRYPT'25）相比，所提协议在运行时间上最高加速 145 倍，通信成本最高降低 20 倍；与 Piske 等人（CCS'25）相比，运行时间最高加速 25 倍，通信成本最高降低 17 倍。该研究显著提升了模糊 PSI 的可扩展性，为隐私保护的数据匹配应用（如基因组比对、用户匹配）提供了更高效的解决方案，适合密码学、安全多方计算及隐私计算领域的研究者和工程人员阅读。