随着云技术和机器学习研究的不断发展,二者相结合的新型云计算服务形式——机器学习即服务开始涌现出来。用户可以通过云服务提供商的数据存储和计算资源来解决用户本地资源受限的问题。通过这种形式用户可以利用云端更加强大的计算能力来进行机器学习模型训练任务,同时对于云服务提供商部署的、已经训练好的模型,用户也可以按需使用这些模型完成预测任务。这种形式覆盖了很多应用场景,如目前已经出现云服务提供商和医学研究机构采用大数据合作形式构建医学影像诊断预测模型,并部署在云端,为用户提供医学诊断服务。在这些服务带来极大便利的同时,用户数据隐私问题也逐渐暴露出来。用户直接向云服务提供商发送原始数据无疑面临着极大的安全威胁。比如用户通过云端进行医学影像预测分析,用户私人健康信息将直接暴露给云服务提供商,这对用户隐私是极其不利的。针对于上述问题,即云端预测任务需要保障用户数据安全,同时考虑到卷积神经网络在图像领域的出色表现,本论文主要围绕隐私保护下卷积神经网络前向传播方法展开研究,旨在完成隐私保护下利用卷积神经网络模型完成图像分类预测任务。本论文中对于隐私保护问题的解决主要通过引入同态加密。相关的主要贡献如下:1.本论文剖析了微软研究院提出的Crypto Nets神经网络结构,同时对于其工作中未阐明的部分做出了详细分析。本论文解释了平方函数作为激励函数的原因和其具体构造方法,BFV同态加密方案参数选择方法,已训练好模型参数的编码方法以及借助中国剩余定理进行批量化密文图片分类预测细节。同时针对Crypto Nets模型参数冗余导致计算效率低下的问题,本论文提出将Network In Network思想推广到密文图像前向计算的方法,从而优化改进了网络结构,减少了冗余模型参数,特别是提升了计算效率。相关的实验结果证明了该方法的正确性和高效性。2.受到了Bellafqira等人利用密文训练多层感知机的启发,同时考虑到一些场景中人们并不需要高吞吐量而需要更快速响应,本论文结合Paillier加密提出了一个新的卷积神经网络密文图像分类预测方法。该方法首先借助双服务器模型构造Paillier基本运算特性并不支持的相关运算,包括乘法运算、除法运算、内积运算和取最大值运算。然后通过这些新构造的运算和原本的Paillier基本运算,本论文详细阐述了构建各网络层的密文计算方法,特别是如何去构建支持Re LU函数的激励层。最后在实验中使用该方法完成了密文图像分类预测任务,实验结果证明了方法的正确性和更快的单次响应时间。