“数据孤岛”是限制深度学习等人工智能技术广泛实际部署的关键因素。联邦学习作为一种具有隐私保护特性的分布式学习方式,逐渐引起了人们的关注。然而,目前针对联邦学习的研究处于初级阶段,导致其在实际应用中仍面临诸多挑战。首先,基于神经网络的深度学习模型的准确性不仅依赖于大规模的数据集,训练数据的质量对于模型的性能同样重要。现有的联邦学习方案通常假设参与者已在本地进行了局部数据清洗。然而,在局部数据背景知识下的本地处理会严重影响数据清洗的准确性,进而降低联邦模型的可用性。其次,面向参与者为计算资源充足的企业用户时,现有联邦学习中的安全聚合协议往往要求参与者使用相同的密钥,导致其安全假设过于强烈。过于理想的环境假设严重限制了联邦学习在现实中的应用。最后,面向参与者为计算资源受限的终端用户时,现有的隐私保护联邦学习方案由于其安全聚合开销与参与者数量呈二次关系,导致方案对联邦系统内参与者的数量有着严格的限制。为了全面提升联邦学习模型的可用性,推动联邦学习的实际部署,本论文立足于联邦环境下的隐私需求,从联邦数据的预处理以及联邦学习训练阶段的参数聚合两个阶段,展开以下研究:（1）针对优化联邦数据质量的需求,提出了一种面向联邦系统的高效的分布式隐私保护数据清洗协议。该协议通过混合安全多方计算框架进行基于局部距离离群因子（LDOF）的离群点检测。根据计算函数的特性,采用算数安全计算电路执行数据清洗算法中的算术计算,结合布尔安全计算电路执行排序操作,通过灵活的电路组合,进而实现在任意分割的分布式数据集上,以全局数据为背景知识进行本地数据的高效、精确清洗。最后,提出了一种针对水平分割数据集的优化方法,通过采用局部敏感哈希函数减少参与联合计算的数据量,进一步优化方案的执行效率。相比较与基础方案,优化方案的执行效率提升接近一倍。（2）针对面向企业用户的现有隐私保护联邦学习的安全假设过于强烈的问题,提出了一种支持联合加解密的隐私保护联邦学习方案。该方案基于门限Paillier同态加密,通过结合秘密共享技术构造了密钥分布式生成协议,实现了各个参与者在无可信中心的情况下可以共同生成一个同态密码系统,且各参与者仅掌握该密码系统的主密钥分片。相较于现有使用相同密钥的同态加密联邦学习方案无法抵抗任意参与者与服务器共谋的情况,本文的方案实现了在少于门限数量的参与者与服务器共谋的情况下依然安全。因此,本文的方案在面对真实的环境时更具实用性。最后,通过引入数据编码技术,对明文数据进行打包处理,实现一次加密操作可以处理更多的明文数据,极大地提高了整体方案的效率,进一步提升了方案的实用性。（3）针对面向终端设备的现有隐私保护联邦学习中安全聚合开销过高的问题,提出了一个适用于大规模物联网终端的隐私保护联邦学习方案。该方案通过添加掩码的方式保护原始数据的隐私,并采用秘密共享技术来确保掩码的可消除,进而实现在隐私保护前提下联邦全局模型的准确聚合。相较于现有基于秘密共享的联邦学习方案中参与者需要在每一轮参数聚合时进行关于新掩码的共享操作,本文方案中的参与者仅需在联邦学习初始化阶段进行一次掩码的共享操作。在随后的学习过程中,参与者利用本文提出的安全掩码复用协议,实现在多轮参数聚合的情况下安全可靠地重复使用同一组掩码,并且在整个过程中不需要与其他参与者交互。因此,本文的方案极大地减少参与者的计算开销与通信开销,其可接受的计算和通信开销使得联邦学习可以应用于大规模的终端集群中。此外,针对实际部署中存在部分参与者与云服务器之间的共谋情况,提出了针对性的解决方案。最终,通过在真实的物联网终端设备（智能手机和树莓派Raspberry Pi）上进行了全面的测试实验,评估了方案的实用性。大量的实验结果验证了提出的方案在计算和通信开销方面的优越性,同时保持了模型的准确性和数据的机密性。