线性回归是一种基础且应用广泛的机器学习算法，线性回归模型的训练通常依赖于大量的数据，而现实中数据集一般由不同的用户持有且包含用户的隐私信息，当多个用户想要集中大量的数据训练效果更好的模型时，会不可避免地涉及用户的隐私问题。同态加密作为一种隐私保护技术，可以有效解决计算中的隐私泄露问题。针对数据集水平分布在两个用户上的场景，结合CKKS同态加密技术，设计了一种新的基于混合迭代方法的隐私保护线性回归方案。该方案分为两个阶段：第一阶段实现了密文域上的随机梯度下降算法；第二阶段设计了一种安全两方快速下降协议，该协议的核心思想基于雅可比迭代算法，可以有效弥补实际应用中梯度下降法收敛效果不佳的缺陷，加速了模型的收敛，从而降低了方案的计算代价和通信损耗，在高效训练线性回归模型的同时保护了两个用户的数据隐私。分析了方案的效率、通信损耗以及安全性，利用C++实现了该方案并将其应用于真实数据集。大量实验结果表明，该方案可以高效地解决特征规模较大的线性回归问题，可决系数的相对误差小于0.001,这表明得到的隐私保护线性回归模型在真实数据集上的应用效果接近于直接在明文数据上求得的模型，可以满足特定场景下的实际应用需求。