逻辑回归是机器学习中一种基本的二分类方法,在各种现实场景中有着广泛的应用。实践中,为了获得更好的分类效果,通常需要从多个来源收集大量样本来进行模型训练。这不可避免地导致训练样本中所包含的个人隐私信息的泄漏。针对这个问题,越来越多的研究开始致力于设计能够实现隐私保护的逻辑回归训练方案。目前,一些工作给出了适用于不同数据集分布场景的方案,使用这些方案可以在一定程度上保护训练过程中用户数据的隐私性。然而,一些方案由于没有对训练中的中间参数进行保护,使得方案的安全性不能得到有效地保证。另一些方案为了保证安全强度,大量使用了全同态加密、加密电路等密码技术,导致方案在通信开销和计算效率上仍然存在不足之处。针对这些问题,本文研究了双服务器模型下的隐私保护逻辑回归训练方案,主要工作如下:（1）提出了一种基于加密电路的隐私保护逻辑回归训练方案。针对现有数据集垂直分布下的隐私保护逻辑回归训练方案在安全性上的不足,通过结合加密电路和加法同态加密技术,设计了一种新的双服务器辅助计算模型下的隐私保护逻辑回归训练方案。与原有的几种方案相比,本文方案除了能够保护用户私有数据的隐私性,还可以有效保护模型迭代训练过程中的梯度和模型参数信息不被泄露,使得方案具有更高的安全性。（2）提出了一种基于秘密共享的高效隐私保护逻辑回归训练方案。现有的一些工作为了提高通用性,提出了同时适用于水平分布数据集和垂直分布数据集的隐私保护逻辑回归训练方案,但是由于大量地使用加密电路、布尔秘密共享等开销较大的密码原语,导致方案整体性能较低。为了进一步提高方案的通用性,减少计算开销,本文基于两方秘密共享技术,提出了一种新的高效的隐私保护逻辑回归训练方案,该方案能够在任意数据集分布场景下安全的训练逻辑回归模型。与现有方案相比,本文方案给出了一种新的共享数据上近似计算逻辑回归激活函数的方法。实验结果显示,与原有方法相比,本文的方法在不引入额外交互轮数的同时,较大地提高了激活函数的计算效率。