为适应复杂数据环境下的社会发展需求,以提取信息为核心的数据驱动型应用成为新兴产业。与此同时,社会自上而下对于个人隐私保护的意识越来越强,相关法律法规对于用户数据的使用限制也越来越严格,这使得基于大规模数据的深度学习方法必须考虑数据可用性及隐私性的平衡。为解决这一问题,基于分布式数据环境的联合深度学习框架成为了新的研究重点。该框架避免隐私数据的明文搜集以及高复杂度的密文处理过程,允许数据持有者在本地完成模型训练并借由参数服务器完成更新聚合。但最新研究表明,现有联合深度学习框架仍面临着严重的隐私泄漏问题,该框架被证明容易受到对抗生成网络（GAN）攻击的影响,特别地,将现有的联合深度学习框架拓展到用户并行训练的场景下仍面临着GAN攻击的威胁。因此,如何在多用户串行及并行两种训练模式下,设计可抵御GAN攻击的隐私保护联合深度学习方案成了亟待解决的问题。本文在对现阶段联合深度学习隐私保护现状调研分析的基础上,针对性地作了以下研究:（1）针对现有联合深度学习框架无法抵御GAN攻击的隐私问题,本文利用矩阵盲化技术,设计了一种新型深度学习模型参数更新方法——模型保护随机梯度下降法,并基于此方法构建了串行模式下的隐私保护联合深度学习框架。通过引入盲化技术破坏GAN攻击者本地生成对抗网络的构建及更新过程,我们的框架实现了对GAN攻击的抵御。同时,本文通过引入用户分类及预训练过程,强化了联合深度学习模型初始化过程,提高了模型的鲁棒性和训练效率。理论分析与实验结果表明,我们的框架可满足更高的隐私保护要求,且保持了原始框架的训练效率及模型准确率优势。（2）针对现有框架拓展至多用户并行训练场景下仍面临GAN攻击威胁的问题,本文评估了并行训练模式下的隐私泄露风险。通过结合并行随机梯度下降及矩阵盲化技术,本文设计了一种并行化模型保护随机梯度下降法。基于此方法,我们构建了并行模式下的隐私保护联合深度学习框架。同时,为应对多用户动态训练场景,我们引入了用户动态应对策略及参数聚合权值调整策略。理论分析与实验结果表明,拓展后的框架可应对更为复杂的并行化训练场景,且实现了训练数据隐私及系统模型隐私的保护。（3）针对联合深度学习实例,本文依托用户分类、模型预训练、矩阵盲化、并行化随机梯度下降等关键技术与两种模式下的隐私保护联合学习方案,以Tensorflow框架为基础,利用Flask服务器框架以及Keras科学计算框架设计并实现了隐私保护联合深度学习系统,本系统支持两种训练模式下多种数据集的联合深度学习实例任务,进一步可为国内外蓬勃发展的分布式数据处理建设提供技术支持和保障。