随着大数据时代的到来,数据共享已成为打破数据孤岛的主要手段。目前,通过具有强大存储能力和计算能力的云服务器进行协助是数据共享典型的实现方式,然而云服务器作为数据共享的中心服务器,其本质上受制于中心化信用模式,易于遭受单点故障或服务器恶意攻击的威胁。因此,如何减少对中心化云服务器的依赖、提高数据的安全性和隐私性成为了数据共享中亟需解决的问题。区块链作为具有计算能力的分布式账本,具备去中心化、去信任、防篡改、匿名性强等特点,能够较好的契合数据共享领域的安全与隐私保护需求。本文将利用区块链作为底层架构,结合差分隐私和联邦学习技术,开展了基于区块链和差分隐私的数据共享的研究,主要完成了以下工作:1.基于区块链的数据共享能够有效地提升数据的可信性,但是面临着链上存储容量有限、缺乏数据隐私保护等问题,因此本文提出了一种基于多层次区块链的数据共享模型。以医疗场景为例,利用多层次区块链协同技术和链上链下混合存储技术提高存储效率;使用AES加密和属性基加密对个人医疗数据进行加密后上传到链下的分布式存储中,并将数据索引信息上传到链上,基于多层次区块链协同以实现数据安全共享;引入差分隐私保护联邦学习中模型参数,有效地提升了数据的隐私安全。实验结果表明,相对于以太坊而言,机构存储开销平均下降了60%左右,用户存储平均开销下降30%左右。2.回归分析作为机器学习的典型算法,其隐私保护备受关注,本文以经典的函数机制为基础,提出了一种基于高斯噪声机制的差分隐私保护回归分析算法。差分隐私技术通过添加噪声为模型提供可量化的隐私水平,为保护机器学习中的隐私数据提供了有效的途径。不过,现有文献针对基于差分隐私的回归分析算法大多数依赖于传统的拉普拉斯噪声机制,会严重影响模型的可用性。本文使用高斯噪声替代拉普拉斯噪声,在用于隐私保护回归分析的经典函数机制的基础上提出了零式集中差分隐私函数机制（z CDP-FM）。进一步,通过向回归模型的目标函数多项式系数中添加不同尺度的高斯噪声,提出了高斯差分隐私回归模型（GSDPR）和零式集中差分隐私回归模型（z CDPR）,有效地平衡敏感属性和非敏感属性的隐私预算。理论分析和实验结果表明,本文所提算法可在有效防止数据隐私的泄露的前提下,保证回归模型的有效性。3.以基于多层次区块链的数据共享模型和基于高斯噪声机制的差分隐私保护回归分析算法为基础,面向联邦学习场景的模型参数隐私保护需求,提出了一种基于区块链和联邦学习的隐私保护逻辑回归方案。联邦学习作为一种新型的分布式机器学习技术,经过使用中心服务器协调各参与方,在数据不出本地的前提下,通过共享模型参数进行协同建模,从而达到数据共享的目的。联邦学习虽然避免了参与方间直接共享数据,可从很大程度上避免了隐私数据的泄露,但是其依赖于中心服务器进行协调,是典型的中心化结构,面临着单点故障、隐私泄露等问题。为此本文以经典的机器学习分类算法——逻辑回归为例,提出了一种基于区块链和联邦学习的隐私保护逻辑回归,为保证联邦学习的可信性,本文选择将局部模型参数上传至具有去中心化特点的区块链中并通过智能合约进行模型聚合。为了保证逻辑回归模型的隐私性,同时保证联邦模型的可用性,针对于链下训练,本文在隐私保护逻辑回归模型的经典算法的基础上提出差分隐私逻辑回归（DPLR）算法;针对于链上聚合,本文设计并实现了一种委员会模型验证合约,可有效抵抗联邦学习中存在的模型投毒攻击。理论分析与实验结果表明,本章所提的方案能够有效的保证联邦学习的隐私性,同时提高了模型的效用。