随着大数据时代的高速发展,数据推动深度学习不断进步,在图像分类领域不断创造价值。图像分类在图像处理中发挥着重要作用。然而,深度学习依靠数据,并将数据进行统一的处理和使用,这对于敏感数据的保护提出了挑战。各方敏感的数据被限制共享和使用,导致了“数据孤岛”现象。联邦学习是一种分布式机器学习框架,能够在不对外共享本地敏感数据的前提下,利用敏感数据的特征实现各方协同训练,从而保护敏感数据的隐私。另外,非独立同分布数据会降低联邦学习算法的性能,影响图像分类的效果。针对深度学习中存在数据隐私泄露的问题,本文在残差网络的基础上引入注意力机制,增强对图像的特征提取,融合联邦平均算法实现对敏感数据的分类处理,保护数据隐私。针对分布式训练中各方训练数据服从非独立同分布导致联邦学习算法性能下降的问题,本文在联邦学习中引入知识蒸馏,设计联邦学习的聚合过程。在保证敏感数据安全的情况下提升算法性能和图像分类效果。本文具体的工作内容如下。（1）提出了一种基于联邦学习和改进残差网络的图像分类方法,该方法将残差网络和压缩激励模块进行结合,引入注意力机制,同时引入组归一化方法。针对传统的深度学习会泄露敏感图像隐私的问题,本文方法将联邦学习和改进残差网络进行结合实现分布式训练,保护各方敏感数据的隐私。实验结果表明本文方法在保护敏感数据隐私的基础上能够得到较高的模型分类性能。（2）联邦学习中各个客户端本地数据服从非独立同分布特性会影响模型效果,因此在本地构造非独立同分布数据进行仿真实验验证,本文实验使用Dirichlet分布构造各个客户端的非独立同分布数据集,利用该分布的参数变量来控制数据分散程度。通过在不同程度的非独立同分布数据上进行仿真实验,对比分析不同分布对联邦学习算法性能的影响。（3）本文提出一种基于联邦学习和知识蒸馏的模型分层注意聚合方法。通过引入知识蒸馏,提取知识指导各个客户端训练。本文方法考虑每个客户端模型对全局模型的贡献,定义模型分类层的权重值优化服务器端模型聚合机制。实验结果表明该方法对于非独立同分布数据可以有效地分类。