深度神经网络（Deep Neural Networks,DNNs）作为机器学习领域中的技术之一,被广泛地应用于计算机视觉、自然语言处理等领域。然而,蓬勃发展的深度学习技术使数据安全与隐私面临更加严峻的挑战。在推理阶段,用户不愿意泄露个人隐私数据,模型拥有者不愿意与他人共享其花费高昂代价训练获得的模型等;在训练阶段,一个高精度的DNNs模型训练往往需要大量的高质量数据作为支撑等。除此之外,随着大数据时代的发展以及人们对DNNs模型性能要求的提升,使用大规模的数据集进行模型训练成为常态,对于个人用户而言,本地的计算资源和存储资源已经无法支撑模型训练。由于云计算服务拥有按需部署、灵活性高、扩展性强的特点,因此,云计算服务渐渐成为大家的首选方案。但是,云服务往往是半可信或不可信的,对于恶意云服务提供商,其不仅可以访问用户数据,还可能修改用户数据,故DNNs模型可以方便地被恶意攻击者嵌入后门。后门攻击是被训练隐藏在DNNs模型中的一种恶意行为,该行为可能对DNNs模型产生一些破坏性的后果。这使得数据隐私和安全问题面临的挑战更加突出,所以,研究一种既能够保护数据隐私又能够保护模型安全的深度神经网络方案是刻不容缓的。安全多方计算技术是保护数据隐私的理想方案,该技术允许互不信任的各方根据自己的私有输入共同计算一个公共函数同时不泄露函数输出以外的任何信息。目前已经提出了许多基于安全多方计算技术的数据隐私保护方案,但是很少有方案考虑隐私保护模型中的安全问题。由于DNNs模型的权重和偏置不易被人类所理解,所以它具有不易解释性的性质,可以将DNNs模型理解为一个内部充满了数字的黑盒。后门攻击往往因为DNNs模型的黑盒性质难以被人们发现,尤其是在隐私保护的深度神经网络方案中。本文针对被动攻击模型（半诚实敌手模型）,开展DNNs模型中隐私保护的后门检测与防御研究,主要完成工作如下:（1）提出了一个关于四方参与的隐私保护深度神经网络后门攻击检测和防御协议的框架MP-BADNet。MP-BADNet不仅可以通过安全多方计算技术实现对输入数据和模型参数的隐私保护,还可以检测和识别隐私保护DNNs模型中隐藏的后门,并对含有后门的DNNs模型进行缓解。实验结果表明,该方案能够有效检测、识别和缓解隐私保护DNNs模型中的后门攻击。（2）提出了一个在外包云环境中三方参与计算的改进的隐私保护后门检测和识别框架Deep Guard。特别是,设计了一种隐私保护的逆向工程算法,用于在3台非共谋服务器中恢复触发器和检测隐私保护DNNs模型中隐藏的后门攻击。此外,还提出了一种基于DBSCAN算法的针对单标签后门攻击和多标签后门攻击的后门识别算法。最后,在MNIST、SVHN和GTSRB等常用数据集上的大量实验验证了隐私保护DNNs模型中后门检测和识别方案的有效性与效率。本文基于安全多方计算技术的隐私保护神经网络方案,在多方服务器的环境下设计了既能够保护数据及模型参数隐私,又能够检测出模型是否被后门攻击、识别具体哪个标签被攻击以及进行后门攻击缓解的后门检测与防御方案。实验结果表明,本文的研究方案不会泄露数据和模型参数的隐私,并且能够检测出隐私保护的神经网络是否被后门攻击以及对被嵌入后门的DNNs模型进行缓解。