随着计算机科学的发展,需要收集和处理的信息也越来越多,从而带来更多的数据存储和计算的需求,同时也有越来越多的数据被上传至云端进行计算分析。虽然云端服务器具有计算资源多,数据处理能力强,硬件成本低的优势,但它却是由不可信第三方厂商负责管理和商业运作,用户的数据和训练模型的隐私安全无法得到保证。故如何确保用户在机器学习的过程中隐私数据不被泄露的同时,还能在数据隐私性和机器学习准确性、效率三者之间取得最佳的平衡是具有极高商业应用价值的,且是十分有意义的机器学习隐私保护的研究方向。本文为解决基于云端模型训练中存在的信息或数据泄露问题,故在联邦学习模型的基础上,综合考虑公钥加密,Paillier加密、梯度压缩技术等方案提出了一种基于云端的加密分割学习方案,并对方案中的主要技术进行了介绍,并运用数据集实验验证。主要研究内容如下:（1）为了保证参与者本地数据的隐私性并且提高模型收敛速度,本文提出一种支持多参与者的高效加密学习方案。为实现让参与者可以使用本地数据进行训练的同时保证隐私性并能获得的最佳的训练模型参数,方案中训练部分将采用参与者端和服务器端拆分的方式,并且在参与者之间采用加密梯度的方式上传云端服务器聚合。本方案中参与者将训练和聚合部分分别交予两个云服务器进行计算,同时允许参与者可使用本地数据对云端服务器中的数据进行下载验证,防止数据被篡改,保护参与者的隐私。（2）为了减少训练过程中参与者与服务器之间通信开销,提高训练效率,本文在联邦计算的基础上提出了使用一种高效的稀疏压缩算法以降低通信量。参与者与云端服务器进行加密梯度传输的过程中,需要进行大量的密文通信,为此,参与者可将梯度向量中的部分元素排序,然后选出最大的部分值进行量化后上传至服务器。（3）为了提高云端服务器训练过程中的效率,并防止服务器同时获取过多的用户本地隐私数据,本文提出使用一种预测标签和真实标签对比的安全训练方案,采用输入数据和真实标签都存储于参与者本地,将训练后产生的预测标签与本地的真实标签进行对比。在对本方案进行安全性分析与可行性证明的理论分析后,利用数据集进行实验验证通信效率、训练效率和准确性。模拟仿真显示,本方案在确保了数据安全隐私性的基础上,计算效率得以提高,对通信的要求也有所降低,而且每个参与者的计算准确性也没有因对隐私性的要求而降低。