随着机器学习技术的迅速发展,其应用遍及人工智能的各个领域,机器学习数据持续增长,行业人员和公众对数据隐私和安全性的担忧也在与日俱增。机器学习算法通过分析大量的数据和更新其模型参数来编码数据中的相互关系。由于数据来源、计算节点的不同和多参与者等特点,使得目前的机器学习面临严重的隐私泄露问题。随着量子计算的迅速发展,量子计算环境下的信息安全研究也额外迫切,实现抗量子攻击的隐私保护的机器学习协议是保障网络安全和保护用户隐私的迫切要求。因此,机器学习中的隐私保护问题是当前和今后信息安全领域研究的重点。本文对同态加密数据在机器学习中的处理及其应用进行了研究。论文研究的内容和创新如下:1.研究隐私保护的两方人脸识别外包计算,提出了一种在联盟云环境下,基于半诚实模型和特征脸算法的隐私保护人脸识别外包计算（PPOFR）方案,分析了协议的安全性和性能,协议实现了参与方数据的隐私保护,而且,客户和人脸数据库服务器的计算量也较小。2.研究两方隐私K-means聚类外包计算,分析了两方加密数据上聚类面临的挑战,基于两方加密距离的比较,构造了云服务器聚类两方加密数据的外包计算方案。将两方参与的K-means聚类任务外包给单个云服务器,并保证数据的机密性,我们的研究改进和推广了[46,56]中的结果。3.研究两方集合交集的隐私计算,基于压缩全同态方案SGFHE,构造客户和服务器间隐私集合交集计算协议。并用加密布隆过滤器来构造隐私集合交集计算的新方案,其效率独立于客户集合的大小。构造了两方集合交集外包计算协议,在云计算环境中,协议可以扩展为恶意服务器上的隐私交集外包计算。4.研究压缩全同态多密钥安全多方计算协议,分析了SGFHE密钥同态性质,构造了一个门限式解密的MKFHE协议。在半诚实、半恶意和公共随机串模型下,其安全性可以归结到LWE和RLWE问题（二进制密钥）。最后,总结论文研究的主要内容,介绍了的后续研究路线和对未来工作的展望。