近年来,随着大数据时代的来临和互联网技术的快速发展,机器学习即服务为人们的日常生活带来了极大的便利.这些服务通常需要收集大量用户的敏感数据来更新和完善底层的机器学习模型以提升服务质量.然而,随着人们隐私意识的提高和信息安全法律法规的完善,传统的机器学习即服务模式面临巨大的挑战.如何在充分保护数据隐私且规避法律风险的前提下,对机器学习模型进行更新和完善成为亟需解决的问题.因此,研究隐私保护机器学习的隐私计算技术具有极其重要的理论意义和实用价值.基于秘密共享的安全多方计算是构造隐私保护机器学习方案实用的技术之一.目前,该方向的主要的研究热点是通过减少协议的通信量和参与方之间的交互轮数来优化方案的通信效率.鉴于此,本文以优化基于秘密共享的安全多方计算协议的通信效率为最终目标,面向K-means聚类和量化神经网络推理两个外包隐私计算场景,基于以往工作存在的不足点展开研究,并给出新的解决方案.本文的主要贡献如下:（1）以往的K-means聚类隐私保护方案存在三个不足点:计算效率和通信效率都比较低,且无法提供完全的数据隐私保护.为此,本文基于复制秘密共享协议构造了一个高效的隐私保护方案,可以提供完全数据隐私性.首先,本文应用模块化的思想构造了四个高效的安全计算协议;接着,本文通过混合模型进行组合,构造了一个隐私保护K-means聚类方案.另外,本文对每个协议都进行了安全性分析.实验结果表明,本文的方案能达到与明文计算相同的准确度;与之前最先进的方案相比,本文的构造计算效率提升了约94.0%～96.1%,通信量减少了约98.4%～98.6%.因此,本文的方案具备更强的实用性;（2）基于秘密共享的隐私保护方案的交互轮数通常与算术电路的深度成正比,所以这些方案需要假定通信网络是快速的.然而,在现实生活中的广域网环境下,该假设是不切实际的.为了改进该问题,本文以量化神经网络安全推理为主要场景,基于盲化秘密共享设计了一个隐私保护方案.具体来说,本文首先设计了六个具有恒定轮通信复杂度的安全计算子协议,并详细分析了这些协议的安全性.随后,本文根据这些协议构造了高效的安全推理方案.实验结果表明,在广域网环境下,本文方案的在线效率比目前最好的方案提高了约33.3%.