当前,数据已成了比肩石油的基础性关键战略资源,数据要素的流通共享和核心价值挖掘是数据要素市场培育的核心内容,必须在保证数据安全的前提下实现信息共享。然而根据当下数据流通的实践来看,“数据孤岛”现象和隐私数据泄漏等因素制约着数据的流通与协作。所以在应用数据的同时也要维护数据安全,怎样在发展与安全之间权衡效率与风险,并在确保安全的同时开发数据价值是目前一个重要的课题。本文以安全多方计算技术为基础,根据目前数据隐私保护与协作中存在的问题,设计并实现了一个基于安全多方计算的SQL查询系统;然后结合智慧医疗场景设计实验用例对系统进行测试验证;最后将系统结合联邦学习,提出一种基于同态加密的联邦学习平台的方案,并通过实验对该方案进行性能分析。本文主要工作包括:（1）针对数据流通共享中的安全问题,通过详细解析传统集中式数据查询系统技术方案的局限性,来设计本文基于安全多方计算的SQL查询系统的架构,介绍该架构模型的详细设计,阐述系统功能模块和页面实现等,利用Paillier加密算法来设计实现安全多方计算模块的四则和比较等算法。相较于现有交付给可信第三方的SQL查询系统带来的安全性问题、基于TEE的SQL查询系统和基于全同态的单一的SQL查询系统操作带来的局限性问题,本文设计的SQL查询系统克服了这些局限性,更加安全和实用,并且支持复杂的SQL查询。（2）本文将SQL查询系统与智慧医疗实际场景相结合,保证原始数据不可以离开医院自身的数据平台,同时设置了一个审批保护机制,只有在隐私计算平台注册认证通过后形成数据联盟,然后模拟医疗统计公司与医疗数据平台之间的数据流通场景。根据医疗数据设计实验用例,利用安全多方计算模块设计的算法来实现医疗数据密文下的统计融合分析功能,包括安全求和、隐私计算求交、安全排序、安全计算平均。实验结果证明了SQL查询系统在智慧医疗场景下的具有一定的应用价值。（3）在SQL查询系统实现的基础上引入联邦学习,对现有联邦学习的安全机制进行分析,然后提出一种基于同态加密的联邦学习的方案。通过实验比较明文下的联邦学习和基于同态加密的联邦学习的模型准确性差异,实验结果表明密文下的训练模型准确率略低于明文下的训练模型准确率,但鉴于安全性更好,因此少量模型损失是可以被接受的。另外,本文提供了面向联邦学习预测的隐私检索方案,相较于现有的联邦学习预测方案,本文设计的预测方案实现了查询方对所要查询用户的安全性。同时本文对该隐私检索方案进行了正确性分析和安全性分析,相关实验证明了该方案的可行性。