目前人工智能技术发展极其迅速,在相当多的应用场景中,人工智能技术得到了应用,然而在算法、算力等方面都大幅度的提升,人们对数据隐私的保护也更为重视。如今的机器学习算法越来越依赖于大量的数据,在隐私保护和数据分散等方面人工智能的发展面临着极大的挑战:数据安全、隐私保护以及数据孤岛等。因此Google在2016年首次提出了联邦学习的概念。联邦学习是一种能够在不泄露用户数据隐私的前提下训练人工智能的一种深度学习算法,联邦学习在保护数据隐私,解决数据孤岛的问题上成果非常突出。然而常规的联邦学习是中心化的架构,这在真实的场景中面临着许多问题。比如,恶意节点攻击下常规联邦学习的安全性、鲁棒性,以及网络通信压力,网络带宽的利用率,恶意数据对联邦学习最终效率的影响等等。现如今在很多情况下,通信传输的过程中遇到很多的隐私泄露、数据泄露等问题。首先数据泄露问题极大地制约了大数据的可用性。虽然在互联网时代每天都有大量的数据,但是其中仍然缺乏高纬度、高质量、的数据保障。其次每个国家都在加强对数据安全、隐私的保护,因此对用户数据隐私保护将会是世界发展的趋势也是至今的热点话题。针对数据传输中存在的隐私安全问题,本文提出基于DPoS的区块链联邦学习算法研究。将区块链技术与联邦学习相结合在区块链共识算法中,首先本文基于PoS和DPoS算法的实现进行了实验对比,对比了它俩之间的节点信任度、收益情况、恶意节点所占比率以及诚实节点所占比率等,实验结果表明DPoS算法在以上几种情况下明显优于PoS算法。其次在区块链联邦学习中对去中心化模型验证的设计与实现、奖励机制的设计、矿工的选择,本文的创新点是基于DPoS的区块链联邦学习中,提出了一个由BC平台的信誉机制支持的FL系统。该系统的设计理念是引入一种基于投票的机制来评估每个节点的信誉值,信誉值和奖励是正相关的,任何理性的节点都会遵循模型训练规则来最大化自己的利益。理论分析与仿真实验均表明该方案能够有效解决数据传输中隐私保护和数据安全等问题。本文主要对数据传输过程中隐私泄露以及如何有效保护做了详细的研究,将区块链用于联邦学习的基础架构,可以更加合理有效的提高数据传输过程中的安全性。