决策树分类是一类被广泛应用的机器学习方法,由于其直观性强和分类性能高效等特点,目前已经在移动通信、智慧医疗诊断等方面得到广泛应用,并在物联网大数据领域中具有广阔前景。在现实场景中,分类服务提供过程涉及用户隐私数据以及服务提供商所持有的决策树模型中的树形结构数据之间的交互计算,从而会带来一系列的隐私泄露问题。因此在实际部署中迫切需要针对决策树分类模型提供专用的隐私保护方法。为此,本文将面向物联网大数据分析场景,研究基于决策树分类算法的隐私保护方案,结合秘密共享技术和安全多方计算工具,解决服务提供商为用户提供分类服务时的隐私泄露问题。主要的研究工作如下:（1）根据决策树分类过程的特征与决策树分类服务的隐私保护需求设计系统模型,将决策树分类服务方案进行模块分割。在系统模型中,隐私分类服务过程可被分为决策树模型预处理、决策树分类以及用户分类结果三个子过程。（2）对于系统中存在“诚实好奇”攻击者的场景,提出半诚实模型下的决策树隐私分类服务协议。在决策树模型预处理阶段对决策树所有内部节点进行标号混淆,并在分类阶段结合布尔共享技术将决策树所有内部节点与对应的用户特征数据进行隐私比较,得到目标决策树路径中的叶子节点序号。最后,用户方利用不经意传输工具得到最终的分类结果。该过程同时保护了用户输入的隐私数据和服务提供商所拥有的分类决策树的树形结构信息。（3）对于系统中存在恶意攻击者的场景,在半诚实模型下决策树隐私分类服务协议的基础上扩大决策树模型混淆的范围,将半诚实模型下的隐私比较和基于不经意传输的结果获取进行改进。首先,引入一种路径的认证方法,可以有效地防止服务提供商在提供分类服务的过程修改已训练好的决策树模型,保证用户所获得的分类结果的正确性。其次,在具体分类过程中的隐私比较阶段,加入恶意模型下的防御机制,防止参与双方在比较过程中修改中间值从而影响分类结果。最后,利用恶意模型下的不经意传输帮助用户完成最终分类结果的获取。（4）对文中所提出的“诚实好奇”模型和恶意模型下的决策树隐私分类服务协议进行安全性证明;使用Breast-cancer等6个数据集训练决策树分类模型,将该六个模型分别应用上述两个协议中,并结合实验结果证明本文中提出方案的分类正确性和性能的增益。