随着物联网和人工智能技术的蓬勃发展,联邦学习（Federated Learning,FL）技术为智慧医疗数据隐私保护提供了一种新的解决方案。然而,现有的联邦学习技术仍然存在安全和效率上的问题。一方面,在联邦学习中,虽然不需要将原始数据传输到中心服务器上,但是仍然可以从上传的本地模型参数中计算出敏感信息。因此,需要采用安全的模型聚合算法来确保模型参数的安全性。另一方面,由于依赖于频繁的秘密共享,现有方案的通信成本和计算开销亟待降低。此外,为了确保联邦学习参与方所拥有的数据在符合要求的基础上达到更高的质量,需要验证本地数据的真实性和可信度。可见,联邦学习为智慧医疗数据隐私保护提供了新的解决方案,但仍需进一步研究改进。针对上述问题,本文进行了以下研究:1.为了能在保护用户隐私数据的前提下,验证上传数据的用户设备是由系统自身部署的,同时还能够减少系统运行的时间开销,本文提出了一种基于全动态秘密共享的联邦学习方案。该方案使用双掩码协议对用户的局部模型参数进行保密,并使用齐次线性递归方程和基于椭圆曲线的密码体制实现完全动态的秘密共享和用户身份认证。此外,该方案允许用户在联邦学习的过程中加入或退出。最后,对该方案进行了安全性分析和性能分析,结果表明该方案是安全的,并且在有用户掉线和没有用户掉线的两种情况下分别提高了30%和60%的效率。总体来说,新方案提供了一种可行的解决方案,能够确保在智慧医疗系统中收集用户健康数据时保护数据隐私并保证数据处理的效率。2.为了能在公有环境中安全高效地选择联邦学习参与方,同时激励用户自愿上传高质量且符合要求的模型参数,本文提出了一种基于细粒度协作访问控制的联邦学习方案。该方案基于细粒度协作访问控制机制,通过使用基于属性的加密技术（Attribute-Based Encryption,ABE）实现了对参与联邦学习的特定数据类型或医疗机构的选择。在该方案中,医疗机构的数据属性可以被用作访问控制条件,只有具有相应属性的机构才能够参与联邦学习。此外,该方案使用基于区块链的激励机制提高了医疗机构共享高质量模型参数和参与联邦学习算法的积极性。使用区块链技术,医疗机构可以记录其参与联邦学习算法所贡献模型参数的质量,并获得相应的激励。最后,该方案使用智能合约保证了激励机制的公平性。安全性分析和性能分析的结果表明,该方案在保证安全性的同时略微提升了效率。总之,新方案通过细粒度协作访问控制、基于区块链的激励机制和智能合约技术实现了一种安全高效的联邦学习方案,为智慧医疗领域的数据共享和协作提供了新的解决方案。