数据作为新生产要素正日益成为提升经济社会生产率的新动力源,然而数据安全问题极大地阻碍了数据资源的整合和开放共享。如何在保护数据隐私的同时利用数据资源是当前亟需解决的问题。隐私保护的机器学习可在不泄露数据隐私的前提下完成机器学习模型的训练和推理,是解决数据隐私和数据利用两难问题的有效途径。随着数据共享与交易市场的快速发展,在跨机构甚至跨领域的多个数据集上进行数据分析正成为一种迫切的需求。然而出于对数据资产安全的考虑,很多数据拥有方不愿意将数据直接传输给其它参与方或第三方进行计算,迫切需要设计新的多方协同计算方案在多个数据集上进行隐私保护的机器学习。本文针对数据需求方欲利用多个数据拥有方的数据来计算逻辑回归模型的应用场景,提出了不依赖于第三方平台、基于同态加密的隐私保护逻辑回归协同计算方法,并基于先进的浮点数全同态加密方案RNS-CKKS实现了相应的原型系统。首先设计了由数据拥有方、模型需求方和密钥生成者构成的多方协同计算模型,可在不泄漏模型信息及各方数据隐私的前提下协作完成模型训练任务,并给出了基于RNS-CKKS密码系统的交互式逻辑回归协同计算方案,通过建立攻击模型分析了协同计算方案的安全性。其次,在小型计算机集群上实现了协同计算原型系统,并进行了计算和通信优化,特别是将密文同态运算卸载到GPU上提高了系统的计算性能。最后,在5个小型的医疗数据集上进行了实验评估,验证了协同计算方案的正确性和计算优化措施的效果,实验结果表明协同计算原型系统在中小规模的数据集上可以满足实用性的要求。