随着企业、政府以及私人等数据资产的不断增加,机器学习领域对于图像等分类应用需求也随之不断增涨。为了应对各种实际的需求,机器学习即服务（Machine Learning as A Service,MLAAS）的云服务部署思想逐渐成为主流。然而,基于云服务来实现机器学习相关应用所需要的大量数据往往由多个不同参与方提供,例如企业、政府等。若将这些数据公开透明地交给云服务器,那么会产生严重的数据隐私安全问题。在保护参与方的数据隐私方面,联邦学习（Federated learning,FL）的思想从系统层面保证其本地数据的安全性,但是由于训练模型过程中需要的参数在公共信道上以明文的方式传输,因此也会不可避免地间接泄露数据特征和模型信息。即使对参数直接使用密码学技术进行加密,也会因密码学的复杂性导致参与方与云服务器间产生不可估量的通信开销。因此,如何在保护数据隐私安全的基础上减少参与方与云服务器间的开销至关重要。本文围绕联邦学习的分布式思想,对隐私保护分类方法和应用问题进行了研究。第一,本文提出一种基于众包聚合的联邦学习隐私保护分类方案。通过将分类任务众包给多个边缘参与方并借助云服务器来完成,不再使用联合训练理想模型的方式来得到可信度高的分类结果,而是让参与方先根据本地有限数据训练出的模型进行推理,然后再使用成熟的算法对推理结果聚合得到较高准确率的分类。在系统实现中,使用同态加密来对需要进行机器学习推理的图像数据加密;改善了一种众包的联邦学习分类算法,并引入双服务器机制来实现整个系统的隐私保护计算。通过正确性分析和安全性证明,本方案保证了数据查询方不会泄露任何隐私数据,解决了隐私安全问题。第二,本文设计并实现了基于众包聚合的联邦学习隐私保护分类系统,有效地减少了在分类过程中参与方与云服务器间的通信开销并保证了用户图片数据的隐私安全。本文描述了系统的总体架构以及分层结构,并对主要模块进行详细设计、需求分析和模块设计。最后对系统进行性能测试,分析表明了系统的可行性,且隐私保护的安全程度得到了显著提升,更适用于实际生活中对隐私安全需求较高的应用场景。