随着云计算和机器学习技术的兴起,数据采集和数据挖掘变得更加普遍,决策树算法也成为了数据挖掘中最常见的分类方法之一,广泛应用在医疗诊断、信用风险评估等领域。然而在决策树训练的过程中,一些数据的收集会涉及到人们的隐私信息,这些隐私数据的泄露可能会直接冲击个人利益,甚至触犯法律条款。如何在决策树训练的过程中有效地保护用户隐私成为了近年来非常有意义的研究内容。目前许多传统的隐私保护决策树训练方案是通过参与方之间的交互来联合训练决策树模型,导致系统计算开销大且通信效率低。而云环境下的隐私保护决策树训练方案通常会泄露用户的部分隐私信息,并且训练出来的模型是云服务器的资产,用户一无所知。针对以上问题,本文面向不同数据集的分布情况,利用几种同态加密技术,实现了云辅助的隐私保护决策树训练方案,主要工作包含以下两个方面:（1）提出了一种云辅助的面向横向分布数据集的隐私保护决策树训练方案。该方案利用一种具有双重解密机制的加法同态加密技术,实现了多方环境下非交互式的隐私保护决策树训练。同时有效地利用该同态加密系统的消息空间,设计了一种数据打包技术来提高模型训练的效率,减少了方案的计算和通信成本。实验结果表明,数据打包技术可以有效地减少系统的计算和通信开销。（2）提出了一种云辅助的面向纵向分布数据集的隐私保护决策树训练方案。该方案针对纵向分布数据集上安全地训练决策树的问题,首先利用布隆过滤器和同态加密技术设计了一种多方隐私交集基数协议,使参与者能够合作计算出集合交集的元素个数,但不泄露交集中的具体元素。然后基于该协议,设计了一种面向纵向分布数据集的隐私保护决策树训练方案,该方案的通信轮数较少并且训练的模型归数据提供方所有。最后,实验结果也证实了方案的有效性。