随着大数据时代的到来,大量的感知设备产生了海量的多源异构数据。为了更好地挖掘这些数据,深度计算被广泛运用于图片和视频处理领域。然而在数据带来便利的同时,也伴随着严重的隐私泄露风险。因此结合中心化差分隐私技术和张量深度卷积计算模型,提出了中心化差分隐私张量深度卷积计算模型。但是该模型尚存在一些问题。一是中心化差分隐私张量深度卷积计算模型只能保证输出模型的隐私性,但无法避免数据挖掘者对隐私数据的窥视。二是中心化差分隐私技术影响了张量深度卷积计算模型的准确度。针对上述两个问题,主要研究内容如下:针对中心化差分隐私张量深度卷积计算模型无法避免数据挖掘者对隐私数据窥视的问题,提出了两方中心化差分隐私张量深度卷积计算模型。该模型有机地结合了中心化差分隐私技术与安全多方计算技术。然后为了衡量该模型单次迭代中的梯度损失,提出了张量梯度损失评估约束函数。在此基础上,针对中心化差分隐私技术影响张量深度卷积计算模型准确度的问题,首先指出影响模型准确度的主要原因是梯度的方向偏差和添加噪音的相对大小。然后提出批量分析思想来更好地权衡模型的隐私与效用。最后提出了差分隐私动态批量变化算法和差分隐私大批量张量梯度近似同比例裁剪算法来提高模型准确度。具体地,在差分隐私动态批量变化算法中,预先设定了批量变化公式,它能够满足模型训练过程中对梯度精度的不同需求。在差分隐私大批量张量梯度近似同比例裁剪算法中,使用了新的梯度裁剪公式来修正方向和大的批量来缓解噪音干扰。针对上述模型和算法,在MNIST,Fashion MNIST和CIFAR10数据集上进行了实验验证。实验结果表明,与本地化模型相比,提出的模型在三个数据集上的准确度均提升3%以上。与现有的多种算法相比,提出的算法在相同隐私预算下的准确度均有不错的提升。