人工智能（Artificial Intelligence,AI）在机器学习和大数据技术的推动下取得了突飞猛进的发展。特别是以神经网络为基础的深度学习（Deep Learning）技术,因其高度智能化和强大的泛化能力逐渐成为引领人工智能发展的代表性技术。然而,在人工智能环境下,深度学习的数据处理机制日趋复杂化,这为深度学习的数据安全保障带来了严峻考验。具体而言,在数据推理攻击下,现有隐私保护方案还存在效率低下、功能单一等问题。在异质数据环境下,现有研究成果在处理低质量数据问题时,还存在效率低下、模型精确度低等问题,并且缺乏对计算架构多样性的考虑,无法适用于雾计算架构。在数据投毒攻击下,现有研究成果对数据完整性保护的问题考虑不足,并且也无法适用于雾计算架构。针对上述挑战,本文从数据推理攻击、异质数据环境以及数据投毒攻击三个方面出发,对人工智能环境下深度学习的数据安全技术进行研究。1.数据推理攻击下深度学习的数据安全技术研究提出一种高效且安全的分布式深度学习训练方案。基于门限加密算法和门限签名技术,该方案可以在多个用户与服务器勾结的情况下,保护用户在训练过程中的数据隐私,并且可以在自适应选择消息攻击下保证用户身份和数据的真实性,防止恶意的外部敌手通过伪造身份或数据来破坏模型训练。同时,该方案可以保证系统对用户意外掉线的鲁棒性,允许用户在训练过程中的任何阶段退出,而不会造成额外的资源开销。2.异质数据环境下深度学习的数据安全技术研究（1）提出一种云计算下安全且精确的分布式训练方案。本文设计一种新的梯度聚合方法,在综合考虑梯度分量符号和数值对梯度相关性影响的情况下,保证神经网络模型是基于高质量数据训练而得。此外,本文利用门限加密技术设计一种具有语义安全性的聚合协议,并以此保护模型训练过程中用户的数据隐私。另外,该方案可以抵抗用户与服务器之间的勾结,并且支持部分用户在训练过程中意外掉线。（2）提出一种雾计算下安全且精确的分布式训练方案。该方案可以减轻低质量数据对模型精确度的负面影响。此外,本文利用Shamir秘密分享、算术电路以及拉格朗日插值定理设计一种支持多服务节点的安全计算协议,以满足用户在雾计算下进行分布式训练的隐私保护需求。同时,该方案可抵抗多个雾节点之间的勾结,并支持部分雾节点意外掉线。与现有方案相比,本方案在扩展性、安全性以及鲁棒性方面更具优越性。3.数据投毒攻击下深度学习的数据安全技术研究提出一种雾计算下可抵抗数据投毒攻击的隐私保护分布式训练方案。本文结合欧式距离和分层聚合方法,设计一种新的梯度聚合方式以降低中毒数据对模型精确度的影响。此外,本文利用可验证Shamir秘密分享、乘法三元组等技术在雾计算结构下设计一种可抵抗主动敌手的安全协议,在保护训练过程中用户数据隐私的同时,可以防止雾节点破坏用户训练数据的完整性。另外,该方案同样可以抵抗多个雾节点之间的勾结,并保证系统对部分雾节点意外掉线的鲁棒性。本文对上述方案在安全性上进行充分分析,并且在给定威胁模型下给予证明。另外,本文通过广泛的实验结果来验证上述方案的效果和性能,并通过与现有方案的对比来说明其性能优越性。