智慧医疗因其能为患者提供便捷、快速、无处不在、智能的医疗数据管理与决策服务,得到了广泛的关注。然而,医疗数据的敏感性以及相关法律法规的要求,导致医疗数据安全成为阻碍智慧医疗推广应用的重要因素。本论文围绕智慧医疗的三种典型应用场景,即电子健康档案管理系统、远程疾病诊断系统和远程健康监护系统,研究应用场景中存在的数据安全与隐私泄露问题,并提出相应的数据安全技术。本论文主要创新工作如下:一、针对电子健康档案管理系统中存在的隐私泄露、频率分析和相同明文推测等安全问题,考虑电子健康档案管理系统对范围查询的功能性需求,研究安全且高效的范围查询方法。一方面,给出多数据源环境下保序加密的安全性定义,即多源顺序选择明文攻击下不可区分（IND-MSOCPA）,进而通过构造多源随机递增序列,提出IND-MSOCPA安全的多源保序加密方法（MSOPE）。与现有工作相比,MSOPE首次实现了多源顺序选择明文攻击下不可区分安全。另一方面,通过减少同态加密操作轮数,构造高效的数据秘密比较协议（IDSCP）,结合MSOPE方法,提出高效且隐私保护范围查询方法（PPRQ）。与MSOPE方法相比,PPRQ方法在时间开销上降低了约5倍。实验结果表明,MSOPE与PPRQ能够为电子健康档案管理系统提供高效安全的范围查询服务。二、针对远程疾病诊断系统中存在疾病诊断模型泄露和医疗数据泄露等安全问题,考虑远程疾病诊断系统对决策树分类的功能性需求,研究安全且高效的决策树分类方法。一方面,提出一种基于对称可搜索加密的安全决策树分类方法（SDTC）。SDTC是采用对称密码方法解决决策树分类中的数据安全问题的首次尝试,通过将决策树分类模型转化成字符串匹配索引,实现了微秒级的安全决策树分类,并比现有工作在时间开销上降低了5个数量级。另一方面,提出一种基于对称隐藏向量加密的隐私保护决策树分类方法（PPDT）。PPDT通过将决策树分类器转化成基于布尔向量的可查询索引,进而在不牺牲安全性的前提下,同时降低了SDTC的时间开销、通信开销、存储开销。真实数据集上的实验表明,SDTC与PPDT能为远程疾病诊断系统提供实时、安全的决策树分类服务。三、针对远程健康监护系统中存在医疗决策模型泄露和医疗数据泄露等安全问题,考虑远程健康监护系统对支持向量机分类的功能性需求,研究安全且高效的支持向量机分类方法。首先,针对现有安全支持向量机分类方案可能带来的庞大计算开销和通信开销的问题,提出一种基于保序加密的隐私保护支持向量机分类方法（PPSVM）。PPSVM通过将支持向量机分类器转化成超矩形,利用保序加密对矩形边界及输入数据进行加密,进而降低了现有方案的计算开销和通信开销。其次,针对现有方案安全性较低的问题,提出一种基于随机布鲁姆过滤器的安全支持向量机分类方法（SSVMC）。SSVMC通过对称密码方法、伪随机函数和布鲁姆过滤器技术,保障医疗决策模型和医疗数据的机密性,且实现了高效、准确的支持向量机分类。最后,针对现有方案不能抵御恶意敌手攻击问题,提出一种可验证且安全的支持向量机分类方法（VSSVMC）。VSSVMC通过对称密码技术,保护了医疗决策结果的完整性以及医疗诊断模型和医疗数据的机密性。同时,通过构造布尔型向量索引和应用轻量级密码学原语,VSSVMC实现了计算、通信、存储的高效性。真实数据集上的实验表明,PPSVM、SSVMC和VSSVMC能为远程健康监护系统提供轻量级、可信、安全、高效的支持向量机决策服务。