随着移动智能设备的迅猛发展,基于深度神经网络的智能化应用丰富多样,特别在图像内容检索（Content-Based Image Retrieval,CBIR）、语音识别等领域取得了巨大的成功。数据和服务外包提供了一种经济而高效的应用部署解决方案,然而,从用户和智能分析模型提供者的角度来看,数据以及模型参数都是价值产品,如何利用云服务强大的存储计算能力,同时保障用户敏感数据和模型参数不泄露,成为智能化应用市场多样化健康成长的关键问题。本文针对图像内容智能化分析中图像数据和分析模型的隐私保护问题,旨在提出一种安全的图像分析模型计算框架,实现安全的智能分析模型评估并应用于安全图像检索等场景。具体研究内容如下:（1）针对深度神经网络图像智能化分析的隐私保护问题,提出了安全的卷积神经网络（Convolutional neural network,CNN）评估方法。本文对现有的安全深度学习框架进行研究分析,提出改进措施以实现更深层次、更准确的神经网络。首先,本文实现了实数计算机制,以实现比之前的工作更好的准确性,而不会降低其效率。然后,提出并实现了分而治之的CNN评估协议,以处理同态方案中的噪声增长问题。最后,为了实现反卷积的安全评估,提出了基于直接卷积和矩阵-向量积的两种安全反卷积方案。针对非线性层,为通用非线性函数设计了安全的两方协议。（2）基于本文提出的卷积神经网络安全评估方法,针对智能化图像检索中数据及网络模型隐私安全问题,提出了基于卷积神经网络的安全图像检索框架。该框架设计并实现了一套快速模块化的安全图像检索协议,包括安全的特征推理、安全的索引构建、安全的距离计算和安全的结果排序协议,实现了外包场景下的安全图像检索应用。（3）针对安全图像检索应用中恶意样本攻击造成检索失败的问题,本文进一步提出了安全的图像重构协议。该协议在保障图像重构过程中数据及模型隐私安全的情况下,能够有效解决恶意样本攻击导致CBIR服务失效的问题,使得本文（2）中提出的检索框架能够应用于数据提供者和服务提供者均不可信任的公开网络环境。