人工智能的发展带给人们极大的便利,但随着人们对数据隐私保护越来越重视,数据孤岛的形成阻碍了人工智能的发展。联邦学习则是解决数据孤岛问题的重要技术,能够在不泄露参与者数据的前提下训练人工智能模型。然而,传统联邦学习算法仍面临着三种安全威胁:恶意节点可能对联邦学习进行数据毒害攻击,污染产出的模型;中心化的数据可能被篡改,导致节点间互相不信任;恶意节点可能对联邦学习的梯度信息进行推理,获得部分隐私信息。针对恶意节点对联邦学习进行数据毒害攻击的问题,本文从算法的层面,提出了一种基于投票的联邦学习算法VB-Fed AVG（Voting Based Federated Average）,该算法引入集成学习中的投票策略,重新计算模型聚合的权重,以此来降低数据毒害攻击对模型的影响。在女巫攻击的场景下,本文引入相似度判断,提出了算法的优化版本VSB-Fed AVG（Voting and Similarity Based Federated Average）,减轻了重复恶意节点的数据毒害影响。本文的对比实验采用MNIST、KDDCUP99和AMAZON三个数据集,设计了六种攻击场景,证明了VB-Fed AVG在多种数据场景和多种攻击场景都比传统算法具有更高的鲁棒性,VSB-Fed AVG则在重复恶意节点出现的女巫场景拥有更高的鲁棒性。针对联邦学习过程中的节点不信任和隐私问题,本文从工程的角度,提出了一种基于区块链和IPFS的联邦学习框架ISC-FL（IPFS and Smart Contract Federated Learner）。ISC-FL引入以太坊智能合约解决了联邦学习中的信任问题,使得联邦学习过程不可篡改,又结合IPFS优化了引入区块链带来的庞大开销和成本。由于区块链的透明会加剧隐私的泄露,本文设计了一种多密钥加密策略保证了链上数据的隐私性。联邦学习算法则选用本文提出的VB-Fed AVG增强鲁棒性。本文通过安全性分析证明了ISC-FL综合解决了信任问题和隐私问题,又通过模拟实验进行了耗时分析以及成本分析,实验结果表明ISC-FL在信任、隐私保护和性能之间取得了一个平衡。最后,本文设计并开发了安全联邦学习平台。该系统利用ISC-FL框架进行联邦学习,综合地抵御了联邦学习的安全威胁,使用HTML、CSS、React JS和Node JS等技术实现了Web管理后台。用户可以通过该系统发布联邦学习任务,在高鲁棒性、可信和保护隐私的环境下参与联邦学习任务,分享协同训练的成果,并对任务进程进行可视化监控。该系统的实现进一步论证了方案的应用价值。