神经网络以其能够提供高效预测模型的能力,在语音识别,图像识别领域取得了巨大的突破,已经广泛应用于医疗,金融等领域,给我们的生活带来了巨大的便利。但保证神经网络模型的高精确度需要汇聚大量数据,这些数据不可能仅由单一主体提供,通常需要来自多方的数据,这引起了公众对隐私数据的担忧。基于多方安全计算的隐私保护神经网络是当前在能够解决数据隐私安全的前提下支持多方联合模型训练和预测的方法之一,但当前的解决方案仍存在计算效率低下和精度缺失的问题。本文中,我们提出了一些基于2PC（Two-party Computation）的神经网络的隐私保护训练和推断的基础计算协议构建块,协议中隐私数据被分发给两个非串通的服务器进行计算。1)我们使用茫然传输和混淆电路构建了在两计算方的情况下必要的生成掩码的预处理协议。2)基于预处理协议,我们支持并实现了两计算方上的秘密共享比较协议,提出了新的方法,并进一步降低了通信轮数。3)基于比较协议,我们构建了除法和指数运算等构建块,实现了不再需要不同类型秘密之间相互转换而完全基于算术秘密共享的神经网络训练和推断过程。4)为验证本文中所提出构建块的性能,我们在真实数据集MNIST上进行了实验。与之前的工作相比,我们的工作获得了较其他框架具有更高的精确度,与明文训练的精确度已经十分接近。在精确度提高的同时,我们的工作在时间效率上也获得了提升。对于安全训练,比较在线阶段,我们比Secure ML快了5倍,比Secure NN快了4.32-5.75倍,与当前最优的3PC实现FALCON已十分接近。而对于安全推断,就我们已知的知识而言,我们应该是当前最优的2PC实现,比其他工作快了4-358倍。本文所提出的新的2PC下基于秘密共享的基础构建块,通过预处理协议实现秘密共享比较算法,基于比较协议构建出除法和指数等复杂计算,实现了完全基于秘密共享的隐私保护神经网络训练和预测流程,在获得与明文训练更加接近的精确度的同时,显著提升了计算效率。未来的工作将继续提升2PC下隐私保护联合建模的计算效率,以支持实际大规模训练任务。同时,基于现有构建块,构造更多机器学习算法,如决策树算法等,以支持更加丰富的联合建模需求。