大数据处理与云的结合是一种必然。大数据处理需要强大的计算能力与存储空间,而云端资源的可动态调配正好满足了这一需求。云端的资源优势,可为大数据处理提供适宜的平台。然而,大数据与云结合的应用场景需要解决数据隐私保护的难题。开放的云环境不仅需要面对来自内外的安全威胁与挑战,半可信和诚实但好奇的云服务（honest-but-curious）更加剧了问题的难度。如何找到一种处理办法,既能够有效地保证大数据处理时的数据隐私安全,又能够充分利用不完全可信的云环境来解决问题,就成为大数据处理与云结合的关键。本文从数据隐私保护这个角度出发,结合在云端运行的数据处理所需的机器学习算法,提出了隐私保护模型,扩展了大数据与云结合的应用场景,为数据隐私保护提供了有益思路。本文的主要内容有:为将经典的监督学习算法逻辑回归应用于数据处理的过程中,提出隐私保护逻辑回归算法。该算法在云端执行逻辑回归算法的同时可以确保数据的隐私不被泄露,整个在云端的计算都是在加密环境中进行的,完全可以确保数据的隐私性。另外,云端超强的计算能力为提高计算效率提供了强劲的支持。为解决广泛应用的深度学习算法在处理数据时的隐私隐患,提出了隐私保护深度学习算法。与隐私保护逻辑回归算法一样,隐私保护深度学习算法的主要计算也是在云端进行的,将加密和解密操作放置在了本地端。云端的计算是在密文状态下进行的,以此来保证数据的隐私性。为加强保护数据的隐私信息,保障多方交互过程中的安全性,以k-means聚类算法为基准,结合安全多方计算,提出了和安全多方计算相关的隐私保护k-means聚类算法。隐私保护逻辑回归算法与隐私保护深度学习算法都只涉及到本地端与云端的交互,而隐私保护k-means聚类算法涉及到多方交互,需要确保每一方的数据隐私。本研究为数据隐私保护提供落地式的三种隐私处理算法,为理解数据处理整体流程中的隐私保护提供理论依据和有益探索,可扩大数据安全处理的应用场景,具有明确的问题导向与实用价值。