近年来,随着第五代移动通信技术的发展,人们的生活有了质的飞跃,社会也迎来了一个全新的信息化时代。与此同时,大量的新兴产业涌现出来,如自动驾驶、虚拟现实、智慧城市、远程医疗等,这些应用都对带宽、时延、能耗有着较高的要求,这些要求远远超出了传统通信模式的能力范围。传统的云计算模式虽然可以满足用户的部分需求,但由于受到带宽等通信资源的限制,仍无法达到新兴产业的要求。由此,能够在网络边缘为移动设备提供低时延且可靠性强的移动边缘计算（Mobile Edge Computing,MEC）技术出现了。随着边缘计算的不断发展,用户对数据隐私保护的要求也越来越高,然而传统的中心计算模式要求用户将自身原始数据上传到中心服务器中,很容易导致用户隐私泄露。为了解决用户的隐私安全问题,一种全新的学习模式,即联邦学习（Federated Learning,FL）,被提出了。在联邦学习中,用户只需通过本地数据计算得到本地模型,将本地模型上传到边缘服务器中而无须将原始数据上传。边缘服务器对收到的本地模型进行聚合、更新得到全局模型,再将更新后的全局模型广播给每个用户。这种学习模式不仅可以提高通信的效率,还可以有效地保护用户的隐私安全。资源分配与用户选择影响着联邦学习的训练效率和通信资源的消耗,参与训练的用户也需要更好的隐私保护机制来保障自身数据的隐私安全。本文考虑了联邦边缘学习中的通信资源分配与用户选择问题以及在空中计算下引入差分隐私的功率优化问题。主要工作如下:第一,在联邦学习的背景下,结合无线通信资源分配,选择数据集大的用户参与到训练中以加快学习进程并减少通信资源消耗。本文提出的优化算法将非凸优化问题化为非线性分式规划问题,通过拉格朗日乘子法优化了通信时间和计算频率,并结合线性函数最优化的方法进行了用户选择。仿真结果表明本文提出的算法不仅能够加快学习的进程,还可以大幅度减少网络的成本。第二,在联邦学习的背景下,在空中计算中引入差分隐私机制给用户提供更好的隐私保障,并优化功率分配方案与去噪因子,以最小化计算的均方误差。本文将提出的非凸问题化为两个子问题,并将两个子问题计算所得到的最优结果反复迭代,直到两个子问题计算所得到的均方误差趋于相同为止。仿真结果表明本文提出的方案可以优化功率控制方案,有效地减小计算的均方误差。