科技与网络的迅速发展促使移动设备与边缘节点的分布迅速扩散,导致数据与算力分布广泛。虽然机器学习可以挖掘海量数据中所蕴藏的价值,但隐私保护与网络成本又导致数据相互隔离,无法物尽其用。联邦学习的出现在技术上解决了数据隔离的部分问题,但新的技术也带来了新的问题。模型的存储、数据的安全、节点的验证以及资源的分配等问题都值得深入研究。但集中式结构存在一定的问题,例如中心服务器的稳定性得不到保证以及边缘节点与中心服务器之间相互不信任等问题。通过加入区块链技术可以对联邦学习有所帮助。但是基于区块链的联邦学习并不是将两者简单的结合,基于区块链的联邦学习在安全验证与激励方法等方面存在问题,因此本文在基于区块链的联邦学习的框架下对节点验证与节点激励两个关键技术优化和研究,对促进联邦学习的普及与发展具有重要的意义。首先,针对联邦学习过程中的节点安全性验证所导致通信成本增加的问题,提出面向联邦学习的区块链架构优化方法。通过研究针对无用或恶意节点的验证机制,结合竞争的投票验证方法与聚合算法,提出在联邦学习过程中基于安全性评价的双层聚合模型。通过对比优化方法与基于竞争性的模型更新算法的聚合效果、聚合速度以及通信成本指标,验证所提出的模型有效地降低了在基于区块链的联邦学习过程中节点验证的通信成本。其次,针对联邦学习中边缘节点的数据质量、参与度和稳定性的降低对训练效果产生的负面影响的问题,提出了面向节点动态变化的联邦学习节点贡献评价方法。通过研究基于区块链的联邦学习各边缘节点的利润分配与激励方法,提出基于节点学习质量和主客观评价的贡献指数模型。通过对比该方法、Extended-TMC-Shapley算法以及基于单轮重构算法的训练时间、余弦距离和欧几里得距离等指标以及对比不同类型节点的所获得的利润,验证所提出的模型有效提升了对于优质节点的激励效果。