作为人工智能的一个分支,深度学习凭借强大的数据挖掘及建模能力被广泛用于解决数据驱动等问题。深度学习的成功受益于数据量的高速增长,以及数据的准确性。为训练出高精度模型以提高竞争力,越来越多的企业广泛收集用户数据。然而,这些被收集的数据含有用户的敏感信息,如照片、语音等,用户并不希望敏感信息被企业利有。此外,各国在加强建设隐私保护法,这进一步束缚了企业收集、训练数据,造成数据孤岛。为摆脱上述束缚,谷歌提出了一种分布式深度学习框架,即联邦学习。该框架基于数据广泛分布的现状,允许数据持有者在不透漏明文数据的情况下协作训练模型。该框架保护隐私的同时,避免了高时空复杂度密码学技术的使用。然而,联邦学习表面上保护了数据隐私,但越来越多的证据表明,共享的梯度仍携带着原始训练集的敏感信息。更严重的是,来自聚合服务器的安全威胁直接影响最终训练模型的分类效果。因此,如何保证联邦学习正常执行的情况下,保护共享梯度的隐私并验证聚合服务器返回结果的正确性成为亟待解决的问题。本文针对现阶段联邦学习隐私与可验证性作了以下研究:（1）针对现阶段联邦学习框架下线性外包训练中的数据隐私问题,本文利用联邦学习分布式结构等特点,打破原本基于随机梯度下降法训练局部模型的传统,设计了一种隐私保护联邦学习线性外包训练方案。该方案基于交替方向乘子法与套索算法实现了线性模型的安全外包训练。理论分析证明本方案依靠奇异值分解的不唯一性,实现了外包数据的隐私保护,并避免了高时空复杂度的加密等隐私保护技术的使用。实验证明本方案在保护数据隐私的情况下,实现了线性模型训练的高精度。（2）针对现阶段联邦学习中梯度安全聚合与聚合结果验证问题,本文通过引入Paillier加密算法实现梯度安全聚合保证全局模型正确更新,避免了聚合服务器从梯度中提取训练集敏感信息。为验证聚合服务器返回结果的正确性,我们利用双线性聚合签名与同态哈希设计了一种新的验证机制。理论分析与实验证明,本方案在实现梯度安全聚合与验证机制可靠性的情况下,确保了训练模型的精度。（3）针对现阶段基于同态加密的隐私保护联邦学习方案面临的共谋攻击与验证低效等问题,本文通过结合拉格朗日插值与数据盲化,实现了梯度的安全聚合以及对聚合结果正确性的轻量级验证。与现有可验证的联邦学习框架相比,本文设计的验证机制计算开销独立于参与者数量,不随参与者数量增长而增加。理论分析与实验证明,本方案能够有效抵御参与者与聚合服务器的共谋攻击,并且验证机制具有可靠性与高效性,同时保证了模型的精度。