随着工业大数据规模的不断扩张,面向工业场景下的大数据智能分析应用逐渐兴起。但在实际应用中,工业数据存在规模量大、分布不集中、结构复杂且类型多样的问题,且由于企业数据分布不均和数据管理能力不佳等因素,使企业在进行所需的数据分析时受到阻碍。因此,如何进一步挖掘工业数据价值成为关注焦点。通过构建数据共享（Data Sharing,DS）平台,加强优势企业的合作和数据开放,可以有效解决企业间的数据孤岛问题,开发高质量的数据分析应用,使工业企业的数据价值得到充分发挥。主流的数据共享系统依靠中心服务器存储和管理数据,然而当出现中心节点故障的情况时,这种集中式的数据共享系统将出现大面积崩溃。其次,这类系统可以完全获得对用户数据的所有权限,用户数据面临着一定的安全威胁。最后,在现有数据共享研究中,均假设用户愿意参与数据共享,但在现实生活中,鉴于数据隐私问题以及经济效益问题,用户的参与意愿并不强烈,导致数据共享应用无法有效开展。因此,保障数据隐私安全和有效的激励机制成为数据共享研究中的核心内容。本文基于上述两个问题提出以下创新:针对数据共享中存在的数据隐私问题,本文提出基于区块链和联邦学习的数据共享隐私保护模型（based on Blockchain and Federated Learning Data Sharing privacy preserving,BFLDS）。BFLDS基于区块链架构,构建去中心化的数据共享可信网络。针对特定的数据共享请求,提出链上数据检索机制,进行数据提供方的节点选择。参与节点基于其本地数据集执行联邦学习,来训练同一个机器学习模型,以此实现用户数据的隐私保护。同时,为避免出现参数推导攻击,本文基于同态加密技术来保障参与方的局部参数隐私。另外,为实现全局参数的可审计性,基于BFLDS,本文创新性地提出基于贡献的授权拜占庭容错算法的共识机制。该共识机制通过选取记账节点,将每轮更新的全局参数以交易的形式提供给其他参与方验证,从而达成共识。最后,本文所提出的BFLDS通过共享机器学习模型,实现智能分析场景下的数据共享。经过安全性分析和实验结果表明,BFLDS模型明显优于现有方案。针对数据共享中存在的激励问题,本文提出基于智能合约和演化博弈论的动态激励模型（based on Smart Contact and Evolutionary Game Theory dynamic Incentive,SC-EGTI）。首先,在系统中引入“信誉币”作为数据共享交易的加密货币。然后,针对现有研究中均未实现用户参与数据共享的稳定性问题,本文通过建立用户数据共享的演化博弈模型,用于分析用户在不同条件下的演化稳定策略。基于智能合约技术,来动态调整用户在不同条件下的参与收益,使用户的策略逐渐向参与决策演化。本文首次提出基于演化博弈论来解决联邦学习过程中的激励问题,且实验仿真结果表明,SC-EGTI能充分激励用户参与数据共享的协作任务,并使模型效果最大化。最后,为使上述研究应用于实际场景中,本文在BFLDS和SC-EGTI模型的基础上,实现了基于Hyperledger Fabric的数据共享系统Fabric DS。该系统可以满足企业用户对数据共享的需求,具有较高的使用价值。