近几年,随着个人信息保护法律条例的生效以及互联网用户个人隐私保护意识的增强,包含个人隐私的元数据不能再随意地流通与应用。在该限制条件下,联邦学习作为一种隐私保护机器学习范式,可以满足约束条件并挖掘数据要素的价值。分层联邦学习是联邦学习中一种新颖的节点拓扑模式,可满足多样化的设备组合需求,可应用于实际的复杂异构系统,获得良好的模型效用。但由于分层联邦学习没有从交互数据层面进行隐私保护,通过分析来自客户端或边缘服务器的上传参数,依旧可以发生隐私泄露。因此,针对分层联邦学习的隐私泄露问题,本文进行了隐私保护相关技术的研究,在分层联邦学习中应用差分隐私和秘密共享实现隐私保护,减少隐私泄露风险。本文设计了面向分层联邦学习的差分隐私保护方法HFL-DP。基于端-边-云分层联邦学习架构,在本地模型参数上传到边缘和云服务器之前,应用高斯噪声实现本地雷尼差分隐私保护,并应用矩统计跟踪累积的隐私损失变化。根据隐私分析,该方法可以实现对客户端和边缘服务器的严格差分隐私保证,并允许不同客户端和边缘服务器的隐私保护水平可个性化调整。本文考虑了模型效用与隐私保护平衡问题,对松弛差分隐私以及变体在深度学习中的组合应用进行了评估与分析,从模型效用和隐私泄露程度两方面进行隐私验证。实验结果表明,选取适当的隐私参数,HFL-DP方法训练的全局模型具有良好的隐私保护效果与模型效用。基于差分隐私和秘密共享,本文还设计了面向分层联邦学习的混合隐私保护方法HFL-HPPT。该方法融合了数据混淆和密码学两种技术的优势,更加适合不同层间聚合的实际应用场景。通过应用秘密共享等密码学技术,实现端-边安全聚合算法CESA,进而避免客户端隐私信息的泄露,提高全局模型效用。通过在边-云聚合前应用差分隐私保护,保证边缘服务器交互数据的隐私安全,减少计算和通信成本,提高训练效率。实验结果表明,HFL-HPPT方法相较于HFL-DP方法,所训练的全局模型效用有所提高,计算和通信成本变大。