随着基因测序和计算机技术的飞速发展,海量基因数据喷涌而出,成为生物医学领域中宝贵的信息资源。为充分利用不同区域海量基因数据蕴藏的巨大价值,行之有效的方法便是各区域基因库拥有者通过数据共享的方式对基因数据进行联合计算及分析,这样可以帮助跨域参与者从更多数量和种类的基因数据中做出更为准确的分析及判断,进而取得更富价值的成果并推动整个基因研究领域的快速进步。然而,现实中因基因数据独特的隐私性致使基因数据共享及联合分析并未得到有效实施,国内外学术界对此研究也极为有限。目前对基因计算的研究工作大多集中在提高基因计算准确率及运行效率上,少数考虑了数据隐私安全的工作主要围绕基因组序列比对方面的研究展开,鲜有涉及到多方跨域的基因数据共享及联合计算等内容。因此,针对如何实现基因数据隐私安全的跨域共享计算及联合模型训练问题,本文主要采用安全多方计算、同态加密及代理重加密等技术,设计了两方跨域联合执行费舍尔精确检验(FT)和连锁不平衡(LD)检测的安全计算方案,并接着提出了基因数据隐私安全的多方跨域联合执行模型训练的基础方案及提高方案。本文主要研究内容及成果总结如下:为解决数据隐私安全的两方跨域执行基因计算问题,本文利用基于安全计算混合协议的ABY开发框架,采用布尔共享及电路优化的策略,在原始的FT检验及LD检测算法上设计了保护基因数据隐私安全的跨域两方联合FT检验安全算法和LD检测安全算法。这两种安全基因检测算法不仅实现了基因数据间的关联性判断和等位基因间的非随机性检测,更重要的是保护了联合计算时基因数据的隐私安全。最后,通过实验测试证明了本文所设计的两个跨域用户联合基因安全检测算法是切实可行的。针对如何实现基因数据隐私安全的跨区域多用户联合模型训练的问题,本文首先采用秘密共享的安全多方计算技术设计了多方联合训练逻辑回归模型的基础方案。该方案不仅实现了跨域多基因库拥有者联合执行模型训练的需求,获得了能对基因数据做出较好的二分类预测的逻辑回归模型,而且确保了整个模型训练过程中原始基因样本数据的隐私安全。然而,由于基础方案中多用户间需要执行大量的模型参数秘密共享工作,故使得方案产生了较大的通信开销。为此,本文在基于多个分布式数据库的联邦学习模式中结合同态加密及代理重加密等技术设计了多方跨域联合学习的提高方案,该方案相较于基础方案显著地降低了用户间的通信开销。最后,本文分别对两个方案进行了安全性证明及实验分析,结果表明本文所提方案是安全高效的。