如今,机器学习技术已经在多个领域得到了广泛的应用,为人们的生活带来了相当的便利。机器学习模型训练的关键之一在于数据集的规模与质量,通过扩大数据集规模,覆盖更完整的训练样本,可以直观的提升机器学习模型的性能。由于在如今的大数据环境中,许多数据已经掌握在了不同拥有者的手中,因此跨数据集的机器学习模型训练成为了目前的发展趋势。跨数据集训练涉及多个数据源,需要融合多方数据才能准确进行的数据清洗和模型训练算法成为多方联合共建机器学习模型中的关键问题,但是融合数据集带来的数据隐私安全问题也不可忽视。安全多方计算技术作为密码学中一种以多方参与为背景的安全密码算法,十分适合用于上述场景中,安全多方计算技术能够在保证参与方隐私的前提下,对参与方协议的函数进行计算,包括秘密共享和混淆电路等技术,能够完成加减乘除与比较等基本运算。本文使用安全多方计算技术,结合机器学习模型构建不同阶段的技术,设计了一种隐私保护的联合多数据源数据清洗与模型训练算法。首先,本文针对多数据源联合进行数据集清洗的问题,设计了一种隐私保护的清洗算法,对AVF数据清洗算法做出改进,将秘密共享技术及Yao加密电路结合以实现同时完成密文算术与比较计算,并创新使用排序电路降低密文排序的算法复杂度,主要解决了多个数据源的数据联合清洗时可能出现的数据隐私泄露问题,经过最终在公共数据集和人工调整的数据集上的仿真结果证明本文算法的可行性和有效性。针对数据清洗完成后的多方联合模型训练问题,本文设计了一种隐私保护的模型训练算法,各参与方在本地使用统一模型训练,使用秘密共享技术对关键参数进行加密,并实现了第三方对多个参与方的加密参数添加噪声,中心式的参数处理使提高了最终各方模型的准确率,及添加噪声的统一和可控性,且使最终训练模型对模型反演攻击有充分的鲁棒性。通过在MNIST数据集上进行的仿真实验说明了本方案在选取不同规模差分隐私噪声时的表现,并证明了本文算法的有效性。