近年来,随着机器学习和云计算的快速发展,利用云计算平台执行机器学习任务的模式应运而生。云计算服务商利用具有强大计算能力的服务器,向用户提供灵活轻便的机器学习服务,从而显著减轻用户的计算负担。然而,将数据发送到云服务器进行计算的方式对用户数据的安全带来巨大挑战。对于云环境下的数据隐私泄露问题,现有的解决方案主要基于三种技术,即同态加密、安全多方计算以及差分隐私。同态加密通过加密大量数据来保护隐私,但会带来巨大的计算开销,因此在实际生产环境中难以有效应用。安全多方计算通常使用秘密共享等密码学技术保护隐私,但会在云服务器间交互传输大量数据,因此存在通信复杂度高的问题。差分隐私可以理想地克服其他两种方法的缺点,但由于在原始数据中引入了随机噪声,差分隐私技术会引起明显的性能损失。考虑到现有方案的不足,本文结合同态加密和秘密共享技术,针对不同的机器学习算法,提出了对应的隐私保护方案。首先,针对云环境下线性回归算法训练以及预测的安全问题,本文提出了一种基于ElGamal同态加密和加法秘密共享的隐私保护线性回归方案。本文利用了基于ElGamal同态加密和加法秘密共享的密文乘法协议,采用小批量梯度下降算法,在云服务器协作的系统框架上实现了隐私保护的线性回归训练和预测方案。理论分析和实验结果表明,本方案有效保障了线性回归算法执行过程中的数据安全,并且在保证模型精度的前提下,显著降低了云服务器间的通信开销。其次,针对云环境下卷积神经网络算法预测的安全问题,本文提出了一种基于Paillier同态加密和加法秘密共享的隐私保护卷积神经网络预测方案。首先通过加法秘密共享技术实现了隐私保护的数据传输方法,然后利用Paillier同态加密算法保护了网络模型的安全,最后利用一系列安全协议,在云服务器上计算密文条件下卷积神经网络的预测结果。实验结果表明,本方案不仅保证了数据的隐私性和预测结果的准确性,并且显著降低了云服务器的计算开销。最后,根据提出的隐私保护机器学习方案,本文对云环境下隐私保护的机器学习系统进行了设计。首先对系统进行了需求分析,确定了系统的功能及非功能需求,其次根据系统的需求,进行了总体设计以及相关功能的详细设计,最后给出了系统的预期效果。