深度学习技术已在医疗、工业等诸多领域中展现出优异的性能。现有的深度学习算法可以很好地结合大数据的优势,训练出更加精确的模型。因此,研究者利用协作学习丰富数据集已经成为当下流行的深度学习范式。然而,在协作学习过程中,数据持有者需要共享原始数据集以及模型参数。这些信息的提供存在隐私泄露的风险,信息一旦被泄露,个人生活以及财产都可能受到严重影响。因此,研究隐私保护技术对于深度学习领域具有重要意义。本论文研究多数据持有者协作学习环境下的实用三方安全计算协议。论文调研了现有多方安全计算协议存在的问题并通过设计新协议的方式解决它们。首先针对协议的性能与安全性,本文设计了提升效率且可抵抗恶意攻击者的通用三方安全计算协议。随后针对兼容性和可用性,本文设计了支持通用电路训练模型的三方安全计算协议。最后针对成员推断攻击,本文设计了防止推断结果泄露隐私的三方安全计算协议。实验结果表明,论文中提出的三种协议能在保证高安全性和高性能的前提下实现深度学习模型的训练与推断。本论文的主要研究成果是:（1）本文设计了提升效率且可抵抗恶意攻击者的通用三方安全计算协议。对于通信开销,本文利用SGX的可信执行性特点,通过引入第三方为协议参与者提供辅助计算的方式来减少通信开销。进一步地,本文修改了秘密共享协议的形式,进而降低了 Beaver三元组乘法的通信开销。对于安全性,本文利用SGX的远程认证技术检测恶意行为（即不依照约定的协议执行的行为）以对抗恶意攻击者,从而以较低的通信开销为代价将可抵抗半诚实攻击者的多方安全计算协议提高至可抵抗恶意攻击者的多方安全计算协议。（2）本文设计了支持通用电路训练模型的三方安全计算协议。本论文基于混淆电路、布尔电路和算术电路实现了一个支持通用电路训练模型的协议。为了使秘密份额在三种电路中兼容,本文构造了六种份额转换协议,使得秘密份额可以高效地在混淆、布尔、算术三种电路之间自由转换。考虑到协议的可用性,本文为深度学习中常用函数构建了高效的功能模块。这些模块相互兼容,对于给定的神经网络训练任务,模块可以有效地结合起来以给出相应的三方安全计算协议。（3）针对攻击范围广且攻击精度高的成员推断攻击,本文设计了防止推断结果泄露隐私的三方安全计算协议,通过差分隐私技术对推断结果添加适当噪声,确保攻击者无法通过成员推断攻击反推真实的训练数据并为模型保留了一定的可用性。此外,为了进一步增强针对该攻击的抵抗能力,本文设计了四种有效的缓解措施并设计实验分别评估了它们在抵抗成员推断攻击方面的性能。