深度学习模型的准确性极其依赖大量高质量的数据集,而现有的深度学习技术对于训练模型所使用的用户数据隐私保护问题没有特别的重视。在医疗相关领域,在深度学习的帮助之下,医生可以更为方便的对医疗影像和其他相关信息进行诊断。但是在保护个人隐私的前提下,如何获取大量的高质量的训练数据集仍然是一个挑战。本论文针对医疗影像数据集隐私保护问题进行了研究,并提出了基于深度学习的聚合模型。高质量医疗领域数据集获取困难主要有三个方面的原因:首先,医疗领域的数据依赖专业性极强的医生进行处理,但是他们的时间有限,无法标注出足够多的样本供模型使用;其次,医疗信息是需要保密的,医疗机构不能简单的将数据分享给相关同行:最后,深度学习网络对训练数据集具有记忆能力,如果网络受到恶意攻击,则可能导致训练数据集中的用户隐私数据泄露。针对上述问题,本文从深度学习算法出发,对集成学习和知识迁移进行研究,在保护模型中数据的隐私的前提下,提出了改进的PATE模型聚合多个参与者的知识。PATE使用教师-学生模型,首先教师网络使用隐私数据集独立训练,通过投票法将所得知识聚合,其次将教师们的信息添加噪声,最后将被噪声保护的信息传递给学生并对学生进行训练,从而达到保护训练集数据隐私的效果。本文提出教师网络传输卷积结果给学生网络,通过按教师的准确率进行概率选择的方式来获取教师网络的相关特征,对学生网络进行训练。由于聚合了多位教师的数据,所以学生对特征的识别比教师更佳。利用皮肤镜图像数据集HAM10000,设计了深度卷积神经网络,对数据进行分析和处理,得出适用于本数据集的模型结构,然后通过调整参数和模型结构来完成对模型的优化,将结果应用在改进后的教师-学生网络之中。实验结果表明,改进的教师-学生网络,能够在保持隐私的前提下,不降低模型预测结果的准确率。