近年来,移动终端设备硬件的快速升级,一方面为了人工智能应用的大规模运算奠定了基础,另一方面也导致数据资源更加分散。频发的大规模数据泄露事件使得人们对于个人隐私越来越重视,也让各国相关法律法规对公民隐私权的保护越来越强。联邦学习解决了传统机器学习面临的数据孤岛和法律监管的双重困境,在满足用户隐私需求以及法律监管的同时,实现了模型训练。然而,庞大的通信代价依然制约着其发展,并且攻击者可以利用梯度变化恢复出原始数据。差分隐私作为常用的隐私保护手段,常被用于机器学习中完成隐私计算。本地化差分隐私由于其去中心化的实现形式,与联邦学习的思想天然契合,但是本地噪声的引入降低了模型的可用性。针对上述问题,本文的主要工作如下:首先,考虑到用户数据分布的差异性导致对全局模型的贡献不同,以及模型收敛过程中的平滑性,本文通过计算本地更新和全局更新的符号相似性,选择与全局方向一致的当前本地更新或历史更新,加速模型的收敛。然后,分析基于高斯机制的本地化差分隐私联邦学习误差来源,通过研究用户本地更新的变化趋势,采用动态衰减裁剪策略,在保留用户更多更新原始信息的同时,减小加入的噪声,并针对差分隐私的基本组合定理与矩审计（Moments Accoutant）机制进行了分析和扩展。最后,理论分析和证明了文中算法的收敛性。实验表明,相对于现有联邦学习方法,本文提出的算法在可用性方面有小幅度提升。在通信代价方面,对于非独立同分布的数据,本文的算法达到目标准确率所需的训练轮数减少了18%;对于独立同分布的数据分配,算法所需迭代轮数约为现有算法的1/3。