随着互联网和云计算技术的发展,网络已经成为人们日常生活、工作和学习不可或缺的基础设施,网络数据随时随地产生,不断累积。个人和机构囤积了大量的数据,这些数据或存储在云上或存储在机构服务器中,已经成为重要的社会资源,如何在安全条件下处理、共享和利用这些数据成为一个新的挑战。点积协议是一种较为常用的数据处理协议,是数据挖掘、统计分析等算法的核心部件,构建高效的安全点积协议,并应用点积协议解决众多场景下的隐私保护问题,具有较高的研究价值和现实意义。安全多方计算是构建高效安全点积协议的重要工具,目前常用的安全点积协议在涉及大数据处理时,都存在一定的局限性。例如,基于同态加密方案设计的安全点积协议通信和计算消耗过高,而基于OTn1设计的安全点积协议,对安全参数有较高的要求,为了解决上述问题,本文针对安全点积协议的设计和应用展开研究,具体研究内容如下:（1）提出一个基于相关茫然传输的高效安全点积协议,由于该协议仅依赖相关茫然传输,可以利用高效茫然传输扩展技术大幅度降低计算开销。随后,提出一个基于随机茫然传输的安全点积协议,进一步优化了点积协议的通信效率。实验表明,本文提出的点积协议非常高效,在处理高维度向量时（如维度为104或更大时）,我们设计的协议效率是之前经典工作Goethals等人提出协议的近百倍。（2）将设计的安全点积协议应用于数据关联规则挖掘中,设计了一个隐私保护Apriori算法,在Apriori算法中,除了点积运算外,还需要执行比较操作,在以往的隐私保护Apriori算法中直接将点积结果泄露给参与方,而在本文中,提出一个比特串安全比较协议,能够在不揭示点积计算结果的设定下,实现与最小支持度的比较。因此,本文提出的隐私保护Apriori算法具有更好的隐私性。效率方面,在比特位数相同时,本文提出的安全比较协议比之前Damgrd等人提出的经典方案快百倍。（3）提出一种基于相关茫然传输的安全算术点积协议,与基于相关茫然传输的安全点积协议相比,其输入不再局限于布尔向量,而是任意的算术向量,并将该协议应用于隐私保护数据统计分析中,设计了安全统计分析协议,并利用茫然线性函数估值对安全算术点积协议进行进一步改进,降低计算量。综上,本文主要提出了两种半诚实模型下的高效安全点积协议,并将其作为子模块,构建了隐私保护关联规则挖掘及安全数据统计分析协议,以解决数据挖掘、数据统计分析领域中的隐私计算问题。