近些年来,人工智能学科的兴起极大地推动了社会走向了大数据的时代,越来越要求我们将数据存放在云端进行存储以及进行计算,伴随而来的就是那些敏感隐私数据的泄露问题。如今机器学习正广泛应用于我们生活的各个领域,在对大规模的来自各个渠道的数据进行训练的时候,机器学习的这些模型表现出来的作用更加的明显和有效,而海量数据在收集的过程中往往容易引发隐私问题。特别的,医疗领域,金融领域以及网络安全等领域对数据的隐私保密性要求极高,保证数据机密性和完整性成为了我们研究的一个重要的挑战。我们所了解的现有的机器学习的算法无法对加密后的数据进行分析和计算,这也促进了机器学习在加密数据领域的研究和发展。大多数的机器学习算法都不能有效地处理加密后的数据,同态加密的出现带来了新的思路。通过同态加密技术我们可以直接对密文进行操作,得到的结果和我们直接对明文进行相同操作的结果完全一致。本文在一些已有的工作基础上,结合Paillier同态加密方案以及AES加密方案,提出了三种安全的机器学习分类器,包括了贝叶斯分类器,决策树分类器以及超平面分类器。本文研究了几种机器学习算法,结合同态加密技术和AES加密技术,构造安全的机器学习分类器。本文的主要贡献和研究成果如下:1设计并给出在Paillier方案加密的密文上进行比较的协议,因为Paillier加密算法在密文上只能进行一些基础运算,不支持某些机器学习算法的运算,该协议减少了比较双方的交互次数,提高了比较的效率。利用该比较协议完成安全的超平面分类器构造方案和贝叶斯分类器构造方案,保证数据隐私的同时也保证了分类效果。2设计并给出密文下的决策树分类器构造方案。在该方案下,我们利用AES加密方案对判定属性进行加密,保证数据的隐私性,通过对密文数据的训练得到安全的决策树分类器模型,该方案极大的保证了分类器的精度。