随着近年来移动智能终端的快速发展,移动应用上的用户隐私数据亟需安全可靠的身份认证机制来防护。传统的身份认证机制如口令,指纹识别等不能提供用户登录后的安全防护。持续认证可以通过周期性地采集用户行为特征对用户进行持续性认证。由于移动智能终端的计算和存储资源有限,目前基于客户端-服务器模型的外包生物特征认证可以很好地降低智能手机的负担。但用户的生物特征数据如果不加保护地以明文形式发送给认证服务器将会引发用户的隐私和安全问题,同时服务器的模型也属于服务提供方的隐私。隐私保护的生物特征认证可以在不泄露双方隐私的前提下完成身份认证。考虑到准确率和效率,目前的隐私保护生物特征认证协议主要有以下不足:（1）认证准确率低,基于距离度量的协议易于实现,但认证准确率明显低于基于机器学习分类器的认证协议;（2）用户端开销高,用户需要与服务器进行多轮通信来完成认证计算,且用户端的计算开销大,能耗高。这些不足都限制着隐私保护生物特征认证的实用性。为此,本文致力于在满足高认证精确度和低用户端开销的前提下,实现隐私保护的外包持续认证。本文将持续认证、机器学习、同态加密和混淆电路相结合,设计了基于随机森林的隐私保护触屏认证系统（Privacy-preserving Touchscreen authentication based on Random Forest,PTRF）。该系统面向用户,认证服务提供商和计算服务提供商三方场景设计了隐私保护的生物特征认证协议。具体的成果如下:本文首先设计了一系列安全计算子协议,作为系统的基础算子。然后基于随机森林算法的训练和预测过程设计了隐私保护的生物特征认证注册和认证协议。在注册阶段实现了对生物特征数据的密态训练,在认证阶段实现了常数轮的认证通信。通过将用户端的计算卸载到计算服务提供商,用户在认证的过程中无需与认证服务器进行交互。最后,扩展了明文模型下的隐私保护决策树评估协议。安全性分析表明,PTRF系统可以在非共谋半诚实的敌手模型下保护认证服务器的模型隐私和用户的生物特征隐私。理论分析和实验评估表明,本文提出的协议在认证阶段计算和通信开销较低,注册阶段计算开销低、通信开销高。相较于其他的隐私保护持续认证方案,本文的认证准确率,计算及通信开销对于低延迟的隐私保护持续认证是非常实用的。具体来说,当隐私保护的持续认证等错误率为4.6%时,对28维的生物特征向量认证仅需6.0s,用户端的通信开销仅为0.07MB,服务器端通信开销为6.8MB。此外,本文提出的隐私保护决策树评估协议相较于已有方案的通信开销和计算开销都大幅度降低。