联邦学习是以数据不出本地为前提的分布式机器学习隐私保护框架,各参与方利用私有数据训练本地模型,通过聚合模型参数的方式协同构建联邦模型,从而实现数据的可用不可见。然而在聚合各本地模型参数时存在两个问题:一是模型参数聚合时易导致参与方隐私泄露;二是聚合权重通常按数据量进行加权分配,不利于激励拥有数据量少但质量高的参与方,从而存在聚合权重分配不公平问题。针对联邦学习中模型参数聚合的隐私泄露和公平性问题,本文首先提出了一种基于数据质量评估和动量因子的权重分配优化方法;其次结合差分隐私提出了公平且安全的模型聚合算法;最后,基于教师模型全体隐私聚合（Private Aggregation of Teacher Ensembles,PATE）机器学习隐私保护框架,给出所提方案的适用性验证。具体研究内容如下:1.提出了基于数据质量评估的公平聚合联邦学习算法。针对联邦聚合过程中以单一的数据数量为依据分配聚合权重导致聚合权重分配的不公平问题,深入分析数据异质对权重分配公平性的影响,综合考虑数据数量和质量因素,以参与方的数据数量贡献和数据质量贡献为依据,给出各参与方聚合权重分配算法,并依据模型的准确率量化了模型的公平性。实验表明,与传统的联邦平均算法相比,提出的聚合算法权重分配更公平,即参与者之间的准确率更均匀。2.提出了基于本地化差分隐私的公平安全联邦学习算法。针对参与方和服务器在传递模型参数过程中易受到隐私攻击的问题,首先基于差分隐私保护方法对本地模型添加噪声扰动,实现了参与方原始数据和模型参数的隐私保护;其次,在服务器进行模型聚合时,结合Adam优化算法思想,采用动量因子优化方法,在相邻两次全局聚合模型参数中添加动量因子,综合相邻两次模型参数形成全局模型。该算法在保障数据安全的同时,实现了公平且安全的模型聚合。3.提出了基于公平安全联邦学习的PATE优化模型。针对PATE模型所面临参与训练数据量少而导致模型训练精确度不高的问题,提出了基于公平安全联邦学习的PATE模型。将所提出的公平安全联邦学习算法与PATE模型相融合,减少了原始PATE模型中的数据划分过程,将参与联邦训练的用户数据直接用来训练PATE框架中的教师模型。通过引入联邦学习弥补了PATE模型中训练数据不足的局限性,多参与方协同训练教师模型,通过教师模型训练精度的提高,进一步提升了学生模型的训练精度。