矩阵计算在机器学习中有着重要作用。在机器学习算法中,最近邻查找、神经网络、多维图像处理和线性方程组求解等问题都涉及到矩阵计算。而算法的应用需要数据来支撑,在数据敏感的生物医疗、金融数据等领域,使用传统的集中式训练,将数据汇集至服务端,或者是客户端将明文查询指令发送至服务端,会泄露数据与查询隐私。因此,为了解决机器学习数据与模型隐私问题,需要使用隐私保护机器学习机制。在隐私保护机器学习中,安全矩阵乘积现有方案是基于同态加密技术或是不经意传输协议,同态加密技术计算开销大,不经意传输协议会导致大量的通信,针对以上问题本文所作研究如下:（1）提出全新安全乘法计算解决方案。安全乘法方案需要额外的乘法三元组辅助计算,本文将提出掩码盲化乘法三元组生成协议,加快安全乘法计算效率,并在半可信模型中证明安全性;同时对方案的正确性、计算复杂性与通信开销进行分析;最后与近几年安全乘法计算相关研究方案做理论对比分析。（2）提出全新安全矩阵乘法计算解决方案。安全矩阵乘法计算解决方案是通过额外的矩阵三元组辅助计算,本文将提出掩码盲化矩阵乘法三元组生成协议,加快安全矩阵乘法计算效率,可将n维矩阵通信成本由O（n~3）降为O（n~2）,并在半可信模型中证明安全性;同时对方案的正确性、计算复杂性与通信开销进行分析;最后与近几年安全乘法计算相关研究方案做理论对比分析。（3）扩展应用及性能测试。将本研究扩展至含有大量矩阵乘积计算的安全联合数据线性回归方案与安全k-邻近查询方案。首先进行基础安全乘法计算与安全矩阵计算协议的性能测试,与现有近似研究进行性能测试对比,实验结果表明,与现有文献提出的解决方案相比,本研究方案效率更高。然后实现安全联合数据线性回归方案与安全k-邻近查询方案,与现有近似研究进行性能测试分析对比,实验结果表明,采用了本研究设计的安全矩阵乘法的扩展应用,具有更低的计算时间和通信开销。