随着数字化时代的进步,基于云计算的机器学习预测也变得越来越广泛,然而传统的机器学习算法需要访问原始数据,这给用户数据带来了潜在的安全风险,尤其是一些隐私数据,比如医疗记录、财务数据等其他进入第三方渠道的信息。为了保护隐私数据不被泄露,实现安全的机器学习预测,可以在预测前对原始数据进行加密处理。同态加密技术可以对加密后的隐私数据做计算,这种隐私保护的方法使得安全预测成为可能。然而由于加密方案的巨大开销,以及神经网络的大量参数,带来了巨额运算,需要大量的计算时间。本文提出一种更快的针对密文数据的神经网络预测方案。出于对图像数据的预测,本文从卷积神经网络出发,对网络的各个层次进行了改进,使之与同态加密技术的结合使用更为友好。为了使得同态加密下的神经网络预测成为可能,对于预测模型中的激活函数层,本文选用的是只有乘法操作的平方函数,对于预测模型中的池化层,本文选用的是只有加法和乘法操作的平均池。为了加快同态加密方案下的神经网络预测,对于同态加密操作中计算量最为庞大的密文与密文之间的乘法,本文对激活函数层进行了优化,通过引入更大的卷积核来降低激活函数层的输入数据,从而降低激活函数层中密文于密文乘法的计算量;对于预测网络模型中参数量最多的分类层,采用的是更为同态友好的分类层,即全局平均池化层。使得整个网络模型成为一个同态加密友好的神经网络结构。并选用了合适的同态加密方案对用户的数据进行加密预处理,实现了安全的神经网络预测。最后通过实验证明,在基本保持预测模型的准确率的前提下,不仅保证了用户与云服务器的数据安全,还实现了对密文图像数据的高效预测。