由于深度学习应用发展的成熟和其日益剧增的用户量,将深度学习应用作为一种云服务已是必然,但在落地使用前还需要解决当中的隐私问题。在云环境下,深度学习应用的用户想要在使用过程中保护自己的个人隐私,而深度学习模型的拥有者想要保护深度学习模型的参数隐私不被用户或者云计算提供商窃取,以保证自己的收益。现有的研究方案主要是针对解决用户个人隐私泄露的问题,而对于深度学习模型的参数隐私没有给出较好的解决方法;其次,现有的方案很少能够抵御串谋攻击,并且缺乏保障深度学习模型安全撤销的能力。鉴于现有工作中的不足,本文提出了以下三个方案来弥补。（1）当前基于安全多方构建的隐私保护方案,要么无法保护深度学习模型的参数隐私,要么缺少抵御参与者串谋攻击的能力。针对上述问题,本文结合安全多方计算和同态加密,构造了一个能够同时保护用户数据隐私和深度学习模型隐私的隐私保护方案。此外,该方案还能够抵御来自于用户与部分云服务器串谋的攻击和来自于深度学习应用提供方与部分云服务器串谋的攻击。（2）当前缺少保障深度学习模型安全撤销的有效措施,云计算提供商可以在服务时恶意拷贝相应代码程序,在深度学习模型被撤销后,云计算提供商即使无法获得模型参数,仍然能够直接部署深度学习应用进行牟利。针对这一问题,本文结合全同态加密和数字签名,构造了一个面向深度学习应用可安全撤销的隐私保护方案。该方案在无串谋攻击的前提下,能够保护用户数据和模型参数的隐私,并保障深度学习模型的安全撤销。（3）为了解决云服务器与深度学习模型拥有者串谋导致的用户隐私泄露问题,以及降低用户端的计算开销使得方案可在物联网环境下应用,本文结合差分隐私、全同态加密、混合网络和数字签名,构造了一个面向深度学习应用的抗串谋和撤销安全的隐私保护方案。此方案的用户端只需要进行明文环境下的初始层网络计算和加入差分隐私噪声的操作,没有任何数据加密计算,故十分适合于物联网下算力受限的用户设备。综上,本文在保护用户数据隐私的基础上,针对模型隐私安全与模型撤销安全问题,提出了相应的隐私保护方案,补全了相关研究领域的解决方法,夯实了深度学习应用在云环境下实践使用的基础。