联合学习中训练数据集划分为水平分区数据和垂直分区数据两种数据分布情况,目前垂直联合学习受到了越来越多的关注。主参与用户和其他参与用户共同训练模型,同时他们在各自本地端都拥有整个训练数据集中的一部分数据。逻辑回归作为广泛使用的机器学习分类模型得到了充分的应用,在数据收集阶段,模型训练都有隐私泄露的危险。因此,研究基于联合学习模式下机器学习隐私保护机制具有非常重要的理论研究和实际应用价值,越来越多的学者在这一领域展开研究。模型训练过程中,参与用户需要将共享的梯度信息进行加密,同时也要考虑和防范恶意敌手、不诚实参与方的攻击。为保证联合训练模型的实用性、准确率和安全性,本文基于同态加密对参与用户个人数据,梯度共享过程中交换的梯度信息进行隐私保护。本文的内容主要有以下三个方面:（1）本文基于全同态加密算法,提出了一个基于同态加密的多方逻辑回归隐私保护方案。方案中采用改进的全同态加密算法,对参与联合学习模型训练的参与用户的数据进行加密。同时为了克服逻辑回归中基本函数Sigmoid函数不支持同态加密安全计算的问题,采用泰勒定理逼近Sigmoid函数,提高了方案的安全性。在数据收集阶段,参与用户提供密文数据;在模型训练阶段,由主参与用户在自己本地端执行。（2）本文基于梯度共享流程,提出了一个基于梯度共享的多方逻辑回归隐私保护方案。引入双向身份认证,采用同态加密和BLS短签名提高方案安全性,同时可以抵抗多种机器学习中的隐私威胁。方案中采用Paillier同态加密算法,对参与联合学习模型训练的参与用户在梯度共享阶段中共享的梯度信息进行加密,保护参与用户私有数据。方案还改进了梯度共享方案,通过增加参与用户本地端迭代计算次数,提高了方案的计算效率。（3）本文去除了第三方计算节点,无需第三方计算节点的参与就能够完成多方参与用户的安全联合训练。首先分析方案正确性和方案的安全性,然后进行了方案的功能对比分析、性能分析,最后通过实验对比分析,说明了本文提出的方案在实际分类数据集上具有良好的准确率和性能。