随着数据科学的不断发展,数据共享和数据隐私问题日渐彰显,并成为数据科学进一步发展并实现大规模产业化的主要瓶颈。隐私计算技术由此应运而生。针对于分布式机器学习的隐私保护是隐私计算的一个重要分支,解决了不同数据孤岛之间在不泄露数据的前提下合作进行计算的问题。安全多方计算则是隐私计算的一项重要基础技术。在特定场景下,针对基础安全计算协议进行优化,可以在保护数据隐私的前提下进行数据挖掘,同时保证计算效率。本课题首先设计了一个支持小数运算的安全两方计算协议,在此基础上,通过设计多方用户到两方服务器的外包计算框架,实现了一个多方的隐私保护线性回归协议。本课题又设计了一个基于电路转换的安全两方激活函数计算协议,在此基础上,通过设计多方用户到两方服务器的外包计算框架,实现了一个多方的隐私保护逻辑回归协议。多方用户通过秘密共享将私有数据分享给两服务器,两服务器基于安全两方计算协议执行训练,训练后的密文模型结果存储在云端,为用户提供密文下的预测服务。针对目前基于秘密共享方案的机器学习训练中,存在大数据量下小数运算产生溢出,导致计算精度损失,从而导致模型准确率下降的问题,本课题设计了一种定点小数截断乘法方案,每次乘法协议执行过程中,在不恢复原始数据的前提下对参与方所拥有的乘法结果的秘密份额进行截断。本文通过实验论证,本方案在避免溢出的同时,可以保证恢复的明文乘法结果的精度。同时与采用混淆电路解决溢出的方法相比,节省大量电路运算,乘法整体计算效率得到提升。针对目前通用安全多方计算协议不支持非线性函数运算的问题,本课题采用了分段函数代替激活函数的方法进行近似计算。针对算术电路下的秘密共享协议应用在比较运算中效率低下的问题,采用电路转换技术,在布尔电路下计算分段函数。针对常规比较电路复杂度高的问题,采用超前进位的方法设计了一种高效的比较电路,完成分段函数中自变量的范围选取计算,并采用布尔电路协议计算后续表达式。最后通过对比实验表明,本课题在不降低模型效果的前提下,完成整体回归协议效率的有效提升。