目前机器学习在数据分析领域有广泛应用。特别是在医疗领域,机器学习算法可以辅助医生进行诊疗,既提高了效率又充分发挥出了医学大数据的价值。例如,在乳腺癌临床诊断数据分析中就常用到机器学习算法中的聚类算法和分类算法。同时,随着医学数据规模与日剧增,机器学习算法应用愈加广泛,云计算技术将有效助力于大数据的存储与计算。然而云服务器一般被认为是不完全可信任的,将医疗数据外包至云进行存储与计算具有隐私泄露风险,且一旦泄露会带来极大生命安全风险。因此,如何实现数据储存与计算外包情形下的隐私保护机器学习是当前的研究热点。目前大部分的隐私保护机器学习研究工作只考虑单数据属主设定,但在实际应用中,数据往往收集于不同的设备和用户。为此,本文拟采用多密钥全同态加密方案研究适用于多数据属主设定下的隐私保护机器学习算法。本文的主要研究内容如下:（1）基于多密钥全同态加密算法,本文提出两个隐私保护k-means聚类解决方案PPK和PPOK。PPK和PPOK方案均支持多数据属主设定,并且满足外包云计算背景下的半诚实模型安全,有效保护了数据属主的隐私数据安全。（2）基于多密钥全同态加密算法,本文提出两个隐私保护支持向量机（Support Vector Machine,SVM）分类器解决方案PPSC和PPOSC。PPSC和PPOSC方案均支持多数据属主设定,并且同时支持多种核函数计算。此外,PPSC和PPOSC方案满足外包云计算背景下的半诚实模型安全,有效保护了数据属主的隐私数据安全和数据分析提供商的分类模型安全。（3）通过理论分析和实验仿真,本文验证了所提方案的可行性,其中PPK和PPSC方案实现了数据属主端的低计算和通信消耗,PPOK和PPOSC方案实现了数据分析过程完全外包。