协同过滤是一种常用的减少信息过载的技术,它已经成为了个性化推荐系统的一种主要工具。随着电子商务的不断发展需要,跨机构的协同计算越来越多,由此也引出了数据隐私保护这一严峻的问题。而安全多方计算正是解决在多方计算过程中确保计算结果准确的前提下如何进行隐私保护的一个多方计算协议。如何将安全多方计算应用到个性化推荐中,特别是协同过滤研究中将非常有现实意义。　　 目前,一些常用隐私保护算法或只能保护数据在传输过程的安全性,使之不泄露出去；或对数据进行扰乱,使其他人无法获得源数据。前者不能保护数据的隐私,因为数据对于参与计算的多方是完全公开的；后者则使计算的结果产生一定的偏差,反映并非真实的结果。而安全多方计算是一种多方协同计算协议,他既可以保护数据的隐私又可以计算出准确的结果,即使是参与协同计算的多方也仅能知道自己的隐私输入和计算结果。本文详细研究了安全多方计算协议的两个协议:线性方程组问题协议和线性最小二乘问题协议。安全多方计算协议是有别于常用数据隐私保护算法的协议,它通过巧妙地运用1-out-of-N协议和矩阵运算达到既可得到在数据统一服务器计算时的结果,又可避免数据在同一服务器上而产生的隐私泄露问题。此外本文归纳总结了将不含隐私保护的协同计算转换为有隐私保护的安全多方计算的两种输入模型转换机制。并归纳整理了安全多方计算在各种隐私保护现实问题中的应用:如在线性方程组问题、数据查询问题、入侵检测问题、数据挖掘问题、几何计算问题和数理统计问题中的应用。最后根据协同过滤算法和安全多方计算协议的结构特征,将两者结合起来,设计出一种基于安全多方计算协议的协同过滤推荐算法。该算法主要分为四个功能模块(也叫过程模块):数据预处理、相似性度量、寻找最近邻、评分预测及项目推荐。该算法的核心部分是对相似性的度量,本文分别运用了矩阵变换和数值扰动两种方法来设计该功能模块。所运用的这两种方法均能达到既不影响相似度计算的准确性又实现了计算过程中的隐私保护。最后本文还对所设计算法的安全策略进行分析。该算法对促进电子商务的发展具有极高现实的意义,也是本为的创新点所在。