近些年来,深度学习技术取得了飞速的发展,而在线深度学习推理服务（DLIS）是深度学习技术的重要应用场景之一。在DLIS的服务架构中,服务提供商为特定任务训练一个推理模型,并将模型部署在云端服务器上,用户要使用此推理服务,需要将自身数据上传至云端服务器。在这种服务架构下,用户的数据极易受到服务提供商的滥用,即服务提供商可以轻易地在不告知用户的情况下对收集到的用户数据以各种形式加以利用以获取最高的商业价值,这将对用户利益及用户数据安全带来极大侵害。本文针对DLIS应用中的用户数据滥用问题进行了研究,进行了以下几方面的工作。首先,详细调研了关注DLIS场景下用户数据安全的相关文献,对其中采用的技术进行了总结,详细分析了各项技术的基本原理、应用形式、各自的优缺点及这些优缺点产生的原因。之后,我们提出了首个实用的防数据滥用方案:DAPter。这是一个用户端DLIS输入转换器,此转换器可以在用户上传数据之前对数据预先进行转换,转换后的数据仍可以很好地进行深度学习推理,但服务提供商将难以对其进行滥用。DAPter的核心是一个轻量级的生成模型,此模型通过一创新的训练过程产生,可以最大化地减少用户输入中可用于数据滥用的信息。与此同时,使用DAPter并不需要对已有的DLIS服务端架构和模型做任何改动。最后,我们针对DLIS场景下的防用户数据滥用方案设计了全面的评价体系,对DAPter进行了实现,并对其安全性和实用性进行了全面评估。实验结果表明DAPter仅需在用户端增加少量计算,就可以在几乎不影响推理服务准确率的前提下大大减少用户数据遭到滥用的风险,在综合性能上远远超过了已有技术。