随着大数据、人工智能的迅速发展,智能技术渗透到我们生活的方方面面,为我们的生活带来了极大的方便,但也产生了隐私泄露等诸多问题。隐私泄露带来的风险影响了人们对智能技术的信任和使用,也限制了智能技术的长远发展,解决机器学习中的隐私泄露风险成为一个重要问题。密码学是保证数据安全有力手段,基于密码学的隐私保护机器学习技术受到广泛关注。从通用方案到具体方案,在协议设计和协议优化方面取得了一系列优秀成果。但这些协议往往需要大量的通信和计算代价来保证安全,设计高效的实用性方案一直是隐私保护机器学习研究领域的瓶颈。不同的密码学原语对通信和计算的开销是不同的,适合的机器学习算法和场景也是不同的,根据不同场景更好地发挥出不同密码学原语在协议中的优势也是研究的重点。相较于模型训练阶段,机器学习预测阶段需要服务提供商和客户之间交互完成,在隐私保护方面的问题更加突出。本文主要研究在这一阶段中隐私保护下计算的通信与计算效率问题,两项工作内容如下。第一,随着网络与计算环境的发展,网络通信资源代价逐渐成为优化的重点,利用本地计算资源换取网络通信资源的模式成为密码协议实用化的一个热门方向。在服务提供商-客户模式下,本文对隐私保护快速文本分类协议进行分析,针对通信复杂度为0（n2）的特征向量提取协议,本文给出了两种改进方案。其一,服务提供商和客户分别利用布谷鸟哈希和朴素哈希技术,将各自数据分桶保存,只需要逐桶调用等值测试协议,即可完成特征向量提取任务。缩小了等值测试的范围,将复杂度降至0（nlog n）。其二,服务提供商本地计算茫然多项式,将多项式参数同态加密后发送给客户,客户将自己的数据代入多项式计算。每轮只需执行一次等值测试协议,即可完成特征向量提取任务,将复杂度降至0（n）。本文给出的两个改进方案都显著降低了通信复杂度。第二,本文引入安全多方计算领域出现的安全三方计算模式,对传统的服务提供商-客户模式进行改进。基于安全三方计算的秘密分享协议,引入外包计算的思想,将预测阶段的计算外包给三台互不合谋的服务器。应用了安全三方计算模型中的向量点积、安全比较等协议,设计了三方计算架构下的特征提取、安全转换等组件协议,以此设计了安全三方计算架构下的隐私保护分类预测协议。服务提供商和客户只需要将模型参数和数据上传到服务器,由服务器联合完成计算,返回预测结果。在整个计算过程中,模型参数和客户数据的相关信息都不会泄露,安全性和隐私性得到保证。本文所提出的方案和结论均进行了实验验证,显著提升了效率。同时,预测过程中,服务提供商和客户不必保持在线通信,比传统的服务提供商-客户模式更加实用高效。