近年来,深度学习在许多领域取得了令人瞩目的成功,其达到的效果在很多应用上已接近甚至超过人类。而深度学习能取得好效果的一个前提条件是要获取海量可用数据用于模型训练。常规的做法是从各个来源把数据集中收集起来,达到一定规模后用于模型训练。但是从多个来源收据数据可能会带来隐私问题。数据一旦被集中收集起来,就可能被永久存储,还可能被用于原始数据拥有者不了解的目的。通常来说,隐私或敏感的数据会分散在多个用户,研究机构或公司中,它们不愿意或无法彼此共享数据。如果研究人员希望训练一个深度学习模型,那么他们只能用自己的数据进行训练。然而,一个机构拥有的数据可能是非常有限的,这将导致训练的深度学习模型过拟合,得不到良好的效果。因此出现了多方深度学习来解决这种数据分散但不能相互共享的问题。在多方深度学习的场景中,多个参与者利用一个中央服务器来联合训练一个深度学习模型,以实现共同的训练目标而不需要直接共享他们的隐私数据。尽管这种模型使得攻击者无法直接访问隐私数据,但仍可以通过某些技术间接暴露其隐私数据。在最近几年,针对多方深度学习场景上的隐私问题已经取得了相当大的进展,但仍存在一些问题。第一个问题是,在没有一个所有参与者都信任的管理者的情况下,大多数现有的多方深度学习框架无法同时抵御诚实但好奇的参与者以及诚实但好奇的服务器的攻击。另一个问题是,现有框架在应用差分隐私技术来保护隐私时,会消耗大量的隐私预算,从而导致隐私泄露的风险很高。本文主要解决多方深度学习场景中的这两个问题,为了解决目前的框架无法同时抵御诚实但好奇的参与者以及诚实但好奇的服务器的攻击这个问题,我们设计了一个新的多方深度学习框架,该框架利用了差分隐私技术以及同态加密技术,以防止隐私泄露给其他参与者或者中央服务器,而且不需要所有参与者信任的管理者。为了缓解隐私预算消耗过高这一问题,我们提出了三种在每代动态分配隐私预算的策略,该策略可以在不影响模型效用的前提下进一步增强隐私保障。此外,它为参与者提供了一个直观的策略选择,通过选择不同的策略在隐私等级和训练效率之间取得平衡。理论分析和实验评估都证明了我们提出的新框架以及动态分配隐私预算策略的良好性能。