1.一种基于联邦模型蒸馏的混合隐私保护图像分类方法，其特征是，应用于由中心服务器和N个客户端所组成的系统中，并按如下步骤进行：步骤1.第i个客户端利用本地带标签的私有图像数据预训练本地神经网络；

步骤1.1.第i个客户端对本地带标签的私有图像数据进行预处理，得到预处理后的私有图像数据集记为Di＝{(xi,1,yi,1),(xi,2,yi,2),...,(xi,j,yi,j),...,(xi,J,yi,J)}，xi,j和yi,j分别表示第i个客户端预处理后的第j个私有图像样本及其对应的类别，i＝1,2,...,N，N为客户端总数，j＝1,2,...,J，J为第i个客户端私有图像样本的总数；

步骤1.2.第i个客户端利用式(1)构建本地的神经网络MGi的监督损失 再使用随机L梯度下降优化方法以学习率lri 来更新所述本地神经网络MGi的权值，并在监督损失值趋于稳定时得到预训练后的本地神经网络M′Gi；

式(1)中， 为符号函数，表示第i个客户端的第j个私有图像样本xi,j是否属于类别c，若 表示第j个私有图像样本xi,j的类别属于类别c，若 表示第j个私有图像样本xi,j的类别不属于类别c； 表示第i个客户端的本地神经网络MGi预测第j个私有图像样本xi,j属于类别c的概率；c∈[1,m]，m为类别数；

步骤2.中心服务器获取无标签的公共图像数据集并随机采样，然后下发至客户端；

步骤2.1.定义协同训练的轮数为t，并初始化t＝1；

步骤2.2.所述中心服务器随机采样无标签的公共图像数据集，得到第t轮公共图像数据子集记为DP,t＝{x1,t,x2,t,...,xk,t,...,xK,t}并分别下发至N个客户端，xk,t表示第t轮协同训练中第k个被采样的公共图像样本，k＝1,2,...,K，K为第t轮协同训练中被采样公共图像样本的总数；

步骤3.N个客户端对第t轮下发的公共图像数据集DP,t进行预测：

第i个客户端利用预训练后的本地神经网络M′Gi计算第t轮下发的公共图像数据集DP,t中各个公共图像样本的预测结果Yt,i＝{fi(x1,t),fi(x2,t),...,fi(xk,t),...,fi(xK,t)}；其中，fi(xk,t)表示第i个客户端计算的第t轮下发的第k个公共图像样本xk,t的预测值,k＝1,

2,...,K，K为第t轮下发公共图像样本的总数；

步骤4.N个客户端对预测结果进行l1‑范数裁剪后随机拆分为预测分片，然后按编号发送给对应客户端；

步骤4.1.根据裁剪阈值C对第i个客户端第t轮的预测结果Yt,i进行l1‑范数裁剪，得到第t轮裁剪后的预测结果Yt,i/max(1,||Yt,i||1/C)；

步骤4.2.第i个客户端将第t轮裁剪后的预测结果Yt,i/max(1,||Yt,i||1/C)随机拆分，并生成N‑1个与预测结果Yt,i尺寸相同的随机向量 并作为前N‑1个预测分片，其中， 表示第i个客户端第t轮裁剪后的预测结果，应发送给第j个客户端；

步骤4.3.计算第i个客户端预测第t轮的预测结果Yt,i与随机向量和 的差值以获得第N个预测分片 由第t轮前N‑1个预测分片 与第t轮第N个预测分片 组成第t轮预测分片集合

步骤5.所述第i个客户端接收N‑1个其他客户端发送的第t轮预测分片并与自身的一个预测分片进行聚合，得到第t轮聚合后的混淆预测结果 并发送给中心服务器，其中， 表示第i个客户端接收的第j个客户端发送的第t轮预测分片；

步骤6.中心服务器对所有第t轮混淆预测结果{Y′t,1,Y′t,2,...,Y′t,i,...,Y′t,N}进行聚合后添加拉普拉斯噪音Lap(C/ε)后得到第t轮全局预测结果并分别下发至N个客户端，其中，ε表示隐私保护强度；

步骤7.第i个客户端利用第t轮全局预测结果 蒸馏训练所述本地神经网络M′Gi，然后利用私有数据集Di对蒸馏训练后的本地神经网络M″Gi进行复习训练；

步骤7.1.第i个客户端利用式(2)构建所述蒸馏训练后的本地神经网络M′Gi的监督损失L再使用随机梯度下降优化方法以学习率lri 来更新所述本地神经网络M′Gi的权值，并在监督损失值趋于稳定时得到蒸馏训练后的本地神经网络M″Gi；

式(2)中， 为符号函数，表示第i个客户端对第t轮下发的公共数据子集DP,t中第k个公共样本xk,t的预测类别否属于全局预测类别c，若 表示第k个公共样本xk,t的预测类别属于全局预测类别c，若 表示第k个公共样本xk,t的预测类别不属于全局预测类别c； 表示第i个客户端蒸馏训练后的本地神经网络M′Gi预测第k个公共样本xk,t属于全局预测类别c的概率；

步骤7.2.第i个客户端用式(3)构建蒸馏训练后的本地神经网络M″Gi的监督损失L再使用随机梯度下降优化方法以学习率lri来更新所述本地神经网络M″Gi的权值，并在监督损失值趋于稳定时得到复习训练后的本地神经网络M″′Gi；

式(3)中， 为符号函数，表示第i个客户端的第j个私有图像样本xi,j是否属于类别c，若 表示第j个私有图像样本xi,j的类别属于类别c，若 表示第j个私有图像样本xi,j的类别不属于类别c； 表示第i个客户端的本地神经网络M″Gi预测第j个私有图像样本xi,j属于类别c的概率；

步骤7.3.将t+1赋值给t后，返回步骤2.2.顺序执行，直到达到最大轮数为止，从而得到所述第i个客户端协同训练后的本地神经网络步骤8.所述第i个客户端利用协同训练后的本地神经网络 对图像进行分类。