人工智能与扩展现实技术（AI XR）的融合为多个领域带来了创新应用的可能。然而，这类系统所依赖的数据（如眼动追踪数据）具有高度敏感性，攻击者可利用这些数据和模型，通过成员推断攻击（Membership Inference Attack, MIA）和再识别攻击（Re-identification Attack, RDA）以较高成功率推断并泄露个人隐私信息。尽管已有研究提出多种隐私防护技术，如差分隐私（Differential Privacy, DP），但AI XR数据集通常包含大量特征，若对所有特征统一施加DP，将向无关或低敏感度特征引入不必要的噪声，导致模型准确率下降、推理时间增加，从而限制其在实时XR场景中的部署。针对上述问题，我们提出一种新型框架，结合可解释人工智能（Explainable AI, XAI）与差分隐私（DP）驱动的隐私保护机制，以有效防御隐私攻击。具体而言，我们利用后验解释方法识别AI XR模型中最具影响力的特征，并在推理阶段仅对这些关键特征施加差分隐私保护，实现精准、高效的隐私防护。我们在三个先进的AI XR模型及三个典型数据集（晕动症检测、情绪识别与行为分类）上评估了该XAI引导的DP方法。实验结果表明，该方法在晕动症任务中可将MIA和RDA的攻击成功率分别降低最高达43%和39%，同时在使用Transformer模型时仍能保持高达97%的模型性能。此外，与传统DP方法相比，该方法在推理速度上提升约2倍。为验证其实际应用价值，我们已将该XAI引导的DP AI XR模型部署于HTC VIVE Pro头显设备，并开发了名为PrivateXR的用户界面（UI），用户可动态调节隐私保护等级（如低、中、高），在获得实时任务预测结果的同时，有效保障其在XR游戏过程中的隐私安全。