网联自动驾驶车辆融合丰富的传感器对周围环境进行精确感知,结合深度卷积神经网络算法检测复杂场景中感知图像目标的类别和位置,从而决策和调整车辆的驾驶行为。为了节省计算和能源资源,车辆将复杂的分类和检测计算任务外包至边缘服务器。但是,由于边缘服务器是半可信的,含有隐私信息的感知图像在边缘服务器执行传输和计算任务的过程中会面临着严重的数据隐私泄露风险。因此,本文从感知图像目标分类和检测两个方面对网联自动驾驶中感知图像隐私计算技术进行研究,主要研究工作如下:（1）针对边缘计算环境下感知图像目标分类中的类别隐私泄露与隐私目标分类框架计算低效的问题,构造一种边缘协同的轻量级隐私目标分类框架,在两台边缘服务器协同分类过程中实现对感知图像传输和计算过程的隐私保护。车辆只需要对感知图像执行像素级随机拆分和传输的任务,不再需要与服务器在线协同计算,两台边缘服务器就能协同实现端与端的隐私目标分类,同时也不需要对中间计算过程的结果执行解密操作。首先,基于加性秘密共享技术设计一系列具有神经网络功能函数的安全计算协议,在此基础上,两台非共谋的边缘服务器协同执行安全卷积层、安全批量归一化层、安全激活层、安全池化层、安全全连接层等一系列安全深度神经网络计算层以构造边缘协同的轻量级隐私目标分类框架。完备的理论分析所设计构造的协议和框架的正确性、安全性、复杂性,所构造框架可以同时保护图像特征、类别结果和神经网络模型参数等隐私,也能够同时实现目标分类的正确性和安全性,而且其计算和通信复杂度均优于现有研究。（2）针对边缘计算环境下感知图像目标检测中的类别和位置隐私泄露与隐私目标检测框架计算低效的问题,构造一种边缘协同的轻量级隐私目标检测框架,在边缘协同检测过程中实现对图像特征的安全提取、安全分类以及安全检测。特别地,设计一种安全目标锚框聚类预测方法,实现目标锚框的安全提取过程。提出一种安全目标分类与回归的方法,在多目标检测的复杂场景和图像隐私不被泄露的前提下,安全高效执行多目标分类与回归任务。此外,提出安全目标上采样和安全自适应特征融合方法,实现安全提高图像特征分辨率和安全融合图像特征的过程。基于以上基础,最后构造一种边缘协同的轻量级隐私目标检测框架。理论分析所构造方法和框架的正确性、安全性、复杂性,不仅能够实现目标检测的正确性,还能够有效保护感知图像的类别和位置隐私,而且具有明显的计算和通信复杂度优势。（3）使用真实场景KITTI自动驾驶数据集对所构造的轻量级隐私目标分类框架和隐私目标检测框架进行仿真实验,并基于主流复杂的Res Net和YOLOv3-SPP网络模型进行实验评估。仿真结果显示,所构造框架均达到与明文模型下同等的分类和检测精度,计算误差均控制在10-4范围内。此外,所构造框架的计算复杂度与明文模型同阶,通信复杂度均控制在常数轮。与同态加密和多轮迭代计算方案相比,所构造框架的计算成本更低,通信开销也在可接受范围内,具有明显的分类和检测效率优势,计算和通信开销均优于现有工作。在整个隐私计算中,两台边缘服务器和敌手均不能窃取到完整的图像特征、神经网络模型参数、类别与检测结果等隐私。