当今社会,在大量涌入的数据、复杂的算法和广泛的计算资源推动下,大数据和机器学习技术发展迅速,在医学诊断、面部识别和信用风险评估等多种不同领域展现了强大的优势。在此基础上,大量云服务提供商利用已经训练好的模型为用户提供预测服务,用户只需要将数据上传给云服务器,就可以得到预测结果。然而机器学习在提供便利的同时,存在着用户私人数据泄露以及服务商非法收集利用用户数据的问题,一旦数据泄露,将会对用户的隐私造成极大的损害。活体检测作为面部识别中不可或缺的一部分,其同样面临着用户人脸数据的隐私问题。因此,针对活体检测的隐私保护方案已经成为了一个急需解决的实际问题。为了解决活体检测的隐私与安全问题,本文提出了隐私友好的活体检测模型,并设计了一种基于安全多方计算的活体检测隐私保护方案。本文的主要工作如下:（1）针对传统活体检测方案需要用户配合或手动提取特征的问题,本文提出了一种基于卷积神经网络隐私友好的活体检测模型。模型通过卷积层、降采样方式、通道数和分类层四个方面优化模型参数与结构,经过优化的模型在降低计算量与参数量的同时,并未对模型准确率造成较大的影响。（2）为了解决活体检测模型预测的隐私问题,本文提出了一种基于安全多方计算的活体检测隐私保护方案。方案分为预处理阶段与在线阶段,其中预处理阶段预先生成在线阶段所使用的数据。基于模型权重已知的情况,方案将线性层中复杂的乘法运算通过同态加密移至预处理阶段,构造在线阶段的秘密共享;非线性层通过不经意传输协议构造高效的ReLU协议。在线阶段中,服务端与客户端的输入输出包括所使用的协议都是基于秘密共享的,利用秘密共享可以本地计算的优势,确保了活体检测隐私保护方案的高效性。（3）本文对活体检测隐私保护方案进行了正确性与安全性分析,同时通过实验对方案进行了实现。参数经过优化的隐私友好活体检测模型,执行隐私保护方案,在线阶段只需要1.5s左右的时间开销,对于延迟敏感的场景均可接受。同时,活体检测隐私保护预测的准确率在两种不同的数据集上分别达到了95%与90%,与明文相比准确率降低了2-3%左右,不会对使用造成影响。实验结果表明,本文提出的基于安全多方计算的活体检测方案不仅具有强安全性,同时具备高准确率、高性能的优势。