近年来机器学习和深度学习快速发展,在很多领域都有着广泛应用,如金融、医疗、人脸识别、自动驾驶等。深度学习进行预测推理的时候往往需要很大的计算量,云计算的发展为企业和个人带来福利,可以利用云服务器强大的计算能力和存储能力来实现外包运算,但是外包服务往往也会带来隐私问题。我们考虑一个在医疗领域的场景,用户想利用云服务器来预测自己是否有患某种疾病的可能性,如果用户将自己私人的健康信息直接上传到云服务,必然会泄露隐私。针对以上提出的问题思考,本文针对医疗领域这一具体的场景,利用同态加密实现隐私保护的卷积神经网络预测任务。本文主要的贡献如下:1.基于FV加密的轻量级卷积神经网络预测算法:本文分析了微软提出的Crypto Nets方案中的缺点。在深度学习中,通常特征复杂度与神经网络层数成正相关。网络层次多,能够提取的特征就越复杂,模型的准确率就会越高。而Crypto Nets方案中采用了浅层神经网络,是为了减少同态加密中的乘法操作,因此并不适用于复杂的场景。本文提出将FV方案运用在轻量级卷积神经网络上,加深了神经网络层次,在不影响预测精度的情况下,对卷积神经网络进行修剪,实现了深层卷积神经网络隐私保护的预测方案,弥补了Crypto Nets方案中神经网络层次少的不足,适用于更复杂的神经网络预测任务。论文对FV方案中参数的选择做出了解释,选择不同的参数,分别对其效率做出了对比实验。2.基于Paillier加密的轻量级卷积神经网络预测算法:本文对上一个方案进一步改进,提出将Paillier方案运用在轻量级卷积神经网络上,实现隐私保护的预测方案。Paillier加密是加法同态加密,相比于FV加密效率更高。但要使用Paillier加密实现密文预测,仅依靠一个服务器无法完成。我们提出密文乘法协议和密文除法协议,根据这两个协议,提出了两种场景,设计两个不同的卷积神经网络实现了安全预测。与上一个方案相同,需要对卷积神经网络进行修剪,实现具有隐私保护的轻量级卷积神经网络的预测方案。