联邦学习作为一种新兴的分布式机器学习框架,因其用户可在本地训练数据仅传递更新参数的形式有助于解决数据孤岛问题而被广泛关注。然而,由于原始数据从未被发送到服务器,其更新参数质量和完整性无法保证。恶意攻击者可在所控制的节点注入中毒攻击且难以被察觉,因此联邦学习面对分布式中毒攻击很脆弱,设计具有一定稳健性的联邦学习框架是一项很有意义的研究工作。传统机器学习框架中针对中毒攻击主要的防御方法有剪枝防御、检测防御等,但由于联邦学习的分布式场景,以及服务器无法访问节点数据带来的非独立同分布挑战而不适用。对于基于距离或密度的防御策略,计算成本高且检测耗时。为了解决现有方法的不足,本文通过分析联邦学习的中毒攻击问题设计防御模型,旨在使良性用户有效参与联邦学习全局模型的训练,同时排除恶意用户的影响。本文的主要研究工作如下:（1）首先,本文提出了基于孤立森林的联邦学习防御模型IFFed。IFFed算法在全局模型的训练过程中使用孤立森林划分模型参数的数据空间,并计算出每个用户在每次迭代的异常概率,降低了时间复杂度。同时,针对异常检测技术易产生过高的误识率问题,本文设计了辅助模型参与检测,根据辅助模型的异常概率分数的分布计算检测阈值,一方面解决孤立森林的污染率问题,另一方面有效降低了误识率,减少了防御模型对联邦学习模型性能的影响。（2）其次,针对恶意攻击者篡改更新参数的未知攻击,本文进一步考虑分析各节点的更新参数的潜在表示,提出基于注意力机制和孤立森林双重检测的联邦学习防御模型AM＆IF＿FL。根据联邦学习的训练任务,利用REFS技术分层提取更新向量的特征,以计算用户的异常概率;记录用户历史检测信息进行分析,引入注意力机制衡量用户的权重,使聚合策略偏向表现为良性用户的更新向量。（3）最后,本文基于公开数据集MNIST和Shakespeare模拟不同的攻击场景进行了实验验证,并对比现有方法评估了基于孤立森林的防御方法的效果。使用MNIST和CIFAR-10数据集从模型精度和后门攻击成功率两个方面验证了基于注意力机制和孤立森林双重检测的防御策略的防御效果。