多方数据联合学习可以取得较好的学习效果,但数据聚合带来了安全和隐私问题,很多研究方案将安全多方计算应用到纵向联邦学习中。现有的纵向联邦学习的研究方案都是基于数据公开共享,一种是明文数据共享,另一种是密文数据共享,但都带来了安全性和效率的问题,因此在保持足够模型精度的同时提升计算效率和安全性是联邦学习研究的一大挑战。为了解决这些问题,本文提出了一种基于安全多方计算的纵向联邦学习隐私保护方法。首先,本文提出了一种基于安全多方计算的纵向联邦数据预处理隐私保护框架,设计了一种将隐私数据限定在数据所有方本地范围内的编码方法,该编码方法可以作为解决纵向联邦统计分析问题的基本范式。其次,本文提出了一种基于安全多方计算的纵向联邦学习决策树隐私保护框架,包括特征混洗协议与随机化梯度和协议保证各参与方数据安全。另外在保证基础精确度的同时,保护了训练中间梯度参数的隐私安全。最后,本文还实现了基于安全多方计算的纵向联邦学习隐私保护框架,实验证明本文的框架在保证安全性和基础精度的情况下,计算效率相比于现有方案有显著提升。本文的具体贡献点如下:·基于安全多方计算的纵向联邦学习数据预处理隐私保护框架:本文提出了纵向联邦学习数据预处理阶段的统计分析方法,数据提供方和数据应用方的真实数据均未出本地,保证了数据的可用不可见。（1）提出了一种卡方分箱的隐私保护方法,计算过程中无法分辨真实虚假分组,在保护参与方隐私数据同时相比于同态加密技术计算效率更高。（2）提出了一种信息值隐私保护方法。采用随机分裂的方式隐藏真实特征类别信息,使得数据所有方以外的其他参与方无法得到真实特征数据,保护数据隐私安全。（3）提出一种最大信息系数的隐私保护方法。通过网格模式将特征数据离散化得出区域矩阵,区域矩阵不包括实际特征数据信息,保护数据隐私安全。·基于安全多方计算的纵向联邦决策树隐私保护框架:本文提出一个基于安全多方计算的纵向联邦决策树隐私保护框架（MPCXGBoost）,在保证基础精确度和保护各参与方数据隐私安全的同时,提升决策树预测训练的计算效率。（1）本文提出了一个特征混洗协议MixShuffle,在保护数据隐私安全的同时提升计算效率。（2）本文提出了随机化梯度和协议EGHSum,随机化梯度和解密协议DGHSum,在保证基础精确度的情况下,保护中间参数的隐私安全。·基于安全多方计算的纵向联邦学习隐私保护框架实现:本文实现了基于安全多方计算的纵向联邦学习隐私保护框架,该框架实现了数据预处理模块的卡方分箱、信息值、最大信息系数的隐私保护方法,在保证数据隐私安全的情况下支持多方进行协同数据预处理。并且该框架实现了联邦决策树MPCXGBoost隐私保护模型的预测训练,包括特征混洗协议、随机化梯度和协议、随机化梯度和解密协议,支持多方数据协同预测训练,实验表明在保证基础精确度和隐私数据安全的情况下,计算效率显著提升。