随着通信设备和传感设备数量的激增,分布式机器学习技术被广泛应用在边缘计算、智慧城市、智能汽车等领域中。然而,分布式机器学习如分割学习等算法在实际应用中仍然存在诸多问题。首先,由于串行训练的特性,分割学习的训练时间随着参与者数量的增加而明显增加,这将导致无法把分割学习部署在成千上万台通信设备的大型应用场景中。其次,由于设备所在地区、时区的差异,不同边缘设备上数据的分布往往不同,而通过聚合这些设备上分布不同的数据所训练出的模型的准确度会明显下降。针对以上的这些问题,本文首先提出了一种基于蒸馏技术的并行分割学习算法,小幅提升模型准确度并且明显地降低了训练时间;接着设计了一种激励机制,使得提出算法能够更好地适应用户设备上的数据分布不均匀的训练环境;最后讨论了提出算法在无人车数据融合中的应用。本文的主要贡献如下:1.本文提出了一个基于蒸馏技术的并行分割学习算法,通过边缘设备上的模型并行训练的方式,在保护数据隐私的前提下,大幅降低了训练时间;利用一个带蒸馏项的损失函数代替边缘设备端模型同步的过程,使得边缘设备上的模型能够学习到其他边缘设备上的知识,提高了模型分类的准确度;并且证明了本文提出算法的收敛性。2.本文设计了一种基于斯塔克尔伯格（Stackelberg）博弈的激励机制,激励用户使用更多、分布更均匀的数据参与训练。首先根据边缘设备的数据分布建立斯塔克尔伯格博弈模型,然后证明该博弈模型纳什均衡解的存在性,最后设计一个网格搜索算法求出最优解。在边缘设备上数据分布不均匀的场景下,并行分割学习算法结合激励机制,能够大幅提高模型分类的准确度。3.本文将所提出的并行分割学习算法应用于基于数据融合的道路检测任务。首先对道路检测模型进行分析,并在模型中寻找最优的分割点。然后提出了一种分布式的道路检测方法,并且对激励机制及蒸馏损失函数进行调整以适应道路检测模型。实验结果表明,与其他的分布式机器学习算法相比,本文提出算法的训练时间平均减少66%,模型分类的准确度平均提高7%。同时,在边缘设备数据分布不均匀的场景下,基于激励机制的训练方案能够使得模型分类的准确度平均提高125%。而在道路检测任务中,本文提出方法的最大F1分数平均提高1.3个百分点。