面对大规模分布式移动用户设备的海量数据处理需求,传统云计算系统面临着网络传输能力不足、算力不足、隐私泄露、安全风险等一系列问题。为了解决上述问题,研究者提出了一种新的计算模式——联邦学习,其核心思想是将计算下沉到终端用户设备上,有效地避免隐私泄露风险。为了解决实际部署问题,研究者提出了一种基于边缘计算的多层联邦学习架构,其核心思想是通过在网络边缘端部署边缘计算服务器.由于大部分模型参数的传递和聚合均在边缘端进行,因此可有效减少网络负载,降低训练时间。在上述基于边缘计算的多层联邦学习架构下,本文主要关注如何对用户终端、边缘端（云端）的资源进行协同调度,实现联邦学习性能与时延能耗的联合优化,而联合优化问题也是是联邦学习领域的研究热点。本文首先构建了基于用户终端、边缘端、云端三层结构的高效联邦学习框架。在上述三层联邦学习框架下,本文针对用户设备能耗和总训练时间分别构建并求解了两个优化问题:（1）用户设备能耗受限下的总训练时间优化问题,即如何分配用户的计算资源来达到训练时间的最小化;（2）总训练时间受限下的用户设备能耗优化问题,即如何分配用户的计算资源来达到用户设备能耗的最小化。通过仿真表明,本文算法在多个场景下都能得到终端设备的最优计算资源分配,以及在场景预期下保证了系统的最低能耗与最低时延,减少了系统的部署成本。本文进一步研究了多层联邦学习框架中的训练效率优化问题。在基于边缘计算下的多层联邦学习系统中,本文主要研究终端设备的超参数的最优选择策略以及设备与服务器最优通信资源分配,通过引入训练损失间隔与通信时延之间的辅助函数,提出并分析了联邦学习训练效率优化问题。仿真显示,本文算法在优化了时隙资源分配和超参数策略后,首先减少了整个系统模型训练的时间,其次与传统的超参数策略相比,在相同时间中达到了最优的测试集效果。综上所述,本文主要研究了基于边缘计算的三层联邦学习框架下的训练时间和设备能耗优化问题,并针对训练过程中的超参数策略进行了优化设计,为联邦学习的实际应用研究提供了理论支撑。