差分隐私技术通过噪声机制和指数机制分别对数值型数据和非数值型数据进行保护,其以严格的数学证明和定量分析来有效保护隐私数据,传统上在中心化数据上进行差分隐私保护保护,但是如今面临分布式数据的情况,需要在联邦学习的环境下进行隐私保护。联邦学习旨在建立一个分布数据集的联邦学习模型,其设计之初面对的是跨领域、跨部门、跨行业的敏感数据集无法中心化的问题,因此需要在本地进行相应的处理,然后协同构建学习模型。本文针对联邦学习环境下,多方协同构建模型中面对隐私问题进行研究,主要做了以下三个方面的工作:（1）面对联邦学习下在使用XGBoost（eXtreme Gradient Boosting,极端梯度提升树）进行数据分析时,针对弱分类器构建过程中会出现的隐私泄露问题,提出了基于XGBoost的差分隐私保护算法。该算法先对弱分类器中的节点进行了最佳分割点的切分,采用指数机制进行差分隐私保护,然后,在叶子节点上通过拉普拉斯机制进行扰动以保护分类结果。从而在构建模型过程中,既能进行隐私安全保护,又能达到数据不错的效果。实验结果表明,在基于XGBoost的差分隐私保护下,相比传统的随机森林差分隐私保护,在兼顾隐私保护的前提下具备更好的准确率。（2）针对联邦学习环境下需要多方参与者共同构建符合隐私保护的模型问题,提出了基于联邦学习下满足差分隐私的多方协同构建方案,解决了在多方参与者的情况下基于联邦学习环境部署和架构XGBoost算法的问题,并且在部署的过程中进行了隐私保护。该模型在面向多方参与者只拥有自己的数据集的情况下,通过聚合服务器传递自身的分裂点与其他参与者进行协商,决策出最适合的分裂点,最终协同构建出模型。实验表明,该模型在保证了准确率的前提下,具备运行时间短、效率高的特性。（3）设计并实现了联邦学习下差分隐私保护技术的原型系统。针对联邦学习环境下的差分隐私算法模块进行了实现,结合某医院的医疗数据集在该原型系统下进行了实验,实验表明了该原型系统既能保证数据安全,也能具备较高的分类准确率。