随着大数据时代的到来,数据持有者为避免隐私数据泄露,选择在自己手中保存数据,因此形成“数据孤岛”。联邦学习正是在这个背景下提出和发展起来的,但联邦学习训练过程中存在隐私泄露风险。所以,如何在增强隐私保护能力与提高数据利用率之间维持平衡,是目前联邦学习亟待解决的问题。本文主要研究在联邦学习框架下的隐私保护问题。通过对目前已有的联邦学习隐私保护方案的了解以及深入学习,分析总结当前联邦学习面临的隐私保护挑战,提出保护隐私的高效安全研究方案。现有的联邦学习隐私保护方法主要是基于多方安全计算、同态加密和差分隐私技术,尽管这三种方法在大部分情况下解决了隐私泄露的问题,但单独使用其中某一种方法,仍有可能遭受推理攻击或对训练准确率产生较大影响。本文针对联邦学习的安全性以及准确性提出了基于同态加密的隐私保护模型。首先,在联邦学习训练过程中,将同态加密技术与差分隐私技术相结合,对客户端需要上传的梯度参数添加少量噪音,具有差分隐私的梯度参数可以防止推理攻击。其次,对梯度参数应用同态加密技术进行加密处理,这样在保护客户端隐私的同时又保证有较高的数据可用性。然后,将具有差分隐私的梯度参数密文上传到服务器端,提出采用安全聚合平均算法更新全局梯度参数,提高模型训练准确率。最后,通过实验表明,本文的联邦学习隐私保护模型在具有较高程度的隐私保护情况下,也有较高的模型准确率。