对于机器学习模型训练来说,数据的数量和质量对训练的效果有着十分巨大的影响。迁移学习能够将不同来源的数据或者模型知识加以迁移利用,以解决数据缺少的问题。然而,迁移学习经常需要多方参与者进行数据或模型的共享和交换,给参与方的数据隐私带来较大风险。近年来,人们对数据隐私的重视程度越来越高。如何在保护隐私的同时进行有效的迁移学习成为一个亟待解决的重要问题。我们的目标是设计能够保护数据隐私安全,实用高效的迁移学习算法。在本文中,我们研究了通过引入附加数据集,使用重要性权重机制对各个源域的知识加权迁移的方法,避免了源域与目标域数据集的直接比较。同时我们利用了同态加密以及安全多方计算协议,保护计算过程中的隐私不被泄露。针对不同的迁移内容,本文对于假设迁移学习以及网络参数迁移分别设计了满足隐私保护的协议,并且以逻辑回归模型为例详细地介绍了这两种协议。我们在真实数据集上对于提出算法进行了性能测试。实验表明我们的算法能以增加少量的时间和通信开销为代价,在保持迁移学习带来的准确率提升的同时保护参与方的数据隐私。