近年来,随着移动计算的快速发展,基于智能手机的活动识别已经成为智能健康、智能交通等应用的关键技术。在活动识别系统中,通常需要从不同用户那里收集大量的训练数据来进行模型的训练。虽然不同用户的数据量很大,但出于隐私和安全考虑,将用户的敏感数据上传到云中心进行统一处理时存在着数据泄露的风险,这使得很难用有价值的数据训练出精准通用的模型。考虑到传统集中式机器学习方法中的上述问题,本文提出了一种替代模型训练的方法,即联邦学习（Federated Learning,FL）。联邦学习的基本思想是以协作的方式训练共享模型,并确保用于这种训练的数据保存在用户本地设备。将现有的联邦学习框架直接应用于人类活动识别（Human Activity Recognition,HAR）有三个挑战:首先,在联邦学习中存在着异质性的问题,即所有客户端通过提供不同级别的数据量、数据质量和培训能力进行协作。不同用户采集传感器数据的方式也有所不同,导致生成的数据是非独立同分布（Independent and Identically Distributed,IID）的。这些不平衡的非IID用户数据会大大降低学习性能。因此,如何利用这些数据设计更好的本地用户模型是一个需要解决的问题。第二个挑战是应用联邦学习的过程中发现恶意攻击者和用户。在训练过程中会有一些潜在的恶意者随意提交错误模型上传到云中心,从而干扰系统最终生成的全局模型,使得全局模型性能降低。因此,在模型聚合之前检测和过滤掉恶意的本地用户是必不可少的。第三个挑战是系统的通信成本。考虑到移动设备经常离线,现有的联邦学习方法主要集中在减少通信轮次上。由于传感器的连通性和用户的日常活动模式,不同本地客户端上的数据质量可能不同。然而,直接应用现有的联邦学习框架而不考虑每个客户端的异构数据质量会大大增加交互轮次从而使整个训练过程效率低下。所有这些问题都会延迟中心服务器中的聚合步骤以继续训练过程,并最终增加通信成本。然而,目前对HAR的研究主要集中在这三个挑战中的一个,而没有将其作为一个整体来考虑。为了解决上述问题,本文提出了一个增强的联邦活动识别系统（Federated Activity Recognition System,Fed ARS）。具体而言,相比于以前的工作,Fed ARS是第一个以集成的方式提供高质量的本地用户模型,消除异常用户并节省通信开销的联邦学习HAR框架。本文的主要研究工作如下:（1）基于多传感器数据融合机制,构建多通道融合CNN模型来从用户数据中自动提取高级特征,确保参与联邦学习的本地用户训练出高质量的本地用户模型。它从惯性和环境传感器中获取数据,以有效地利用智能手机的不同信息,这是Fed ARS的基础。（2）给出了一种基于孤立森林算法的异常模型检测方案,其中不同的模型参数组合规则可以更好地筛选异常模型,消除异常用户对系统的干扰,保证系统的安全可靠性。（3）考虑到异构数据质量对联邦学习性能的影响,提出了联邦标签聚合算法（Federated Lable,Fed Label）。它可以在计算全局模型时优先考虑用户子集的贡献,使系统模型更快收敛,提高通信效率,节约通信成本。（4）本文搭建了一个实验平台来收集不同活动的数据,以此来评估Fed ARS的性能。实验结果表明,当系统中存在恶意用户的异常数据时,Fed ARS不仅比非联邦学习的异常数据检测算法有着更高的识别准确率,而且比原始的联邦学习能在更短的时间内完成整个训练过程。