近年来,“云计算”凭借其低成本、易部署等优势得到了迅速发展和广泛应用。特别是在计算和存储资源受限的情况下,个人和组织可以选择计算和存储能力强大的云服务器来完成复杂的计算任务。随着人工智能技术的蓬勃发展,将数据分类和机器学习模型训练外包给云服务器逐步成为一个常见的工作模式。然而由于云服务器的不可控性,导致了信息泄露、伪造计算结果等安全问题的出现。因此,设计安全高效且不影响分类结果和训练效果的外包算法有重要的研究价值。本文研究了云环境下基于超平面决策分类器的人工智能辅助疾病诊断和预测（Artificial Intelligence-Assisted Disease Diagnosis and Prediction,AADP）以及支持向量机（Support Vector Machine,SVM）模型训练外包问题,并针对以上两个问题分别提出了安全高效的外包协议。这两个协议致力于解决云辅助的机器学习应用问题,不同的是,AADP协议利用训练好的机器学习模型在云端进行疾病诊断,属于机器学习分类阶段。SVM训练外包协议主要是利用云服务器来训练SVM模型,属于机器学习模型训练阶段。现在对两个协议展开介绍。（1）随着机器学习技术的蓬勃发展,云辅助的AADP协议作为一个热点课题吸引了许多学者的关注。然而,用户数据的隐私性、机器学习模型的知识产权以及云服务器的不可控性给这种富有前景的计算模式带来了安全挑战。为解决此问题,本文创新设计了一个由用户、第三方检测机构、人工智能医生和云服务器组成的四方框架。在此框架下基于不同的安全模型设计了两种高效安全的AADP协议,而且协议中还考虑了如何应对云服务器的恶意行为。AADP协议通过使用安全哈希函数、豪斯霍尔德（Householder）变换、随机平移变换和随机置换,实现了安全性和高效性的目标。（2）本文探讨了云辅助的SVM模型训练问题。为了解决训练过程中的隐私保护问题,设计了一个由分类测试者、人工智能医生和云服务器组成的三方框架,并在此框架下提出了一种新的隐私保护的SVM训练外包协议。与已有的协议相比,在保护训练数据样本和模型隐私的基础上,协议首次考虑了训练数据样本与标签对应关系的隐私性,隐藏了密文数据的访问模式。同时,协议采用Householder变换以及随机置换进行加密操作,使得协议具备了安全性和高效性。