为解决集中式云计算存在的传输延迟和带宽不足等问题,边缘计算应运而生,并与人工智技术相结合进一步衍生出边缘智能的概念。边缘智能将智能部署在云边协同的边缘计算设备上,可以使智能更贴近用户,根据个性化数据为用户提供稳定、便捷的智能服务。边缘智能涉及到用户大量的敏感数据,这些数据一旦遭到泄露将导致个人隐私受损并造成巨额经济损失,因此,边缘智能场景中的隐私问题受到越来越多关注。但这些相关工作仍然存在如下问题:（1）现有隐私保护方案未能充分考虑边缘端隐私泄露问题,对边缘计算设备防范策略不足。其次,边缘智能隐私保护服务方案大多不支持完整性认证,服务提供方与数据提供方的双向数据隐私难以得到保证。（2）现有隐私保护认证方案大多注重用户身份信息隐私,而缺乏对实时认证消息的隐私保护。针对上述两个问题,本文提出了面向边缘智能可验证隐私保护机器学习预测方案和面向边缘智能交通的隐私保护认证方案,具体贡献如下:（1）提出了面向边缘智能可验证隐私保护机器学习预测方案。方案在Okamoto-Uchiyama同态加密算法的基础上进行改进,并基于改进的同态加密算法构建了隐私保护机器学习预测方案,方案保证了机器学习预测服务的过程中不发生隐私泄露,同时支持预测结果的完整性认证,其中认证功能支持单用户多结果认证与多用户结果认证,提高了认证过程效率。文中分别从理论证明以及模拟实验的角度对方案性能进行评估,本方案相较于其他相关工作而言在执行效率以及安全性上都具有明显优势。（2）提出了边缘智能交通系统隐私保护认证方案。该方案在保证车辆用户向系统提交认证申请时每个环节通信双方做到双向身份认证,并且对认证申请数据中的实时消息进行隐私保护。本文通过严格的理论证明了方案安全性并详细分析了方案所具有的安全属性,相较于文中相关工作,本方案具有最多的安全属性。此外,模拟实验表明本方案在大多数情况下端到端时延不超过5毫秒,数据分组递交率不低于99%,具有相当的实用性。