联邦学习是近年来热门的分布式机器学习框架,能够在保护各个本地节点数据安全的同时以较小的通信开销完成整体模型的训练任务。这种新颖的形式不但解决了本地节点所面临的数据孤岛挑战,还极大提升了整体系统的效能。而随着边缘计算与高性能计算的不断融合,联邦学习也有望结合边缘计算技术成为边缘网络智能化的重要范例。针对这一目标,本文对边缘网络场景下的智能联邦学习系统进行了深入的研究,提出了基于联邦深度强化学习的自适应资源优化框架和关键算法。通过对本地节点在数据分布、计算能力和通信状态上的诸多差异进行深入的分析,本文针对性的提出了具有高适应性的框架和算法,不但保证了整体模型训练的效率,降低了资源消耗,同时还兼顾整体与局部之间的关联,满足了本地设备的多任务需求。本文主要完成了以下工作:1、针对联邦学习模型在训练阶段增益的非线性提出了面向本地训练频次优化的集中式自适应联邦学习（Adaptive Federated Learning,AFL）框架,通过对聚合时通信资源消耗,本地训练时计算资源消耗与训练时损失梯度的比重进行调整,该框架以较高的精度完成整体模型训练的任务,并大幅度节约资源,实现精度与资源消耗的优化折衷。2、针对分布式场景下各个边缘服务器的异构特性,本文不再考虑由聚合器进行统一的集中决策,而是将强化学习模型部署于各个边缘服务器上进行细粒度的训练频次决策。考虑到强化学习模型状态空间的复杂性与环境信息的时变性,本文提出了一种基于多智能体深度确定性策略梯度（Multi-Agent Deep Deterministic Policy Gradient,MADDPG）的分布式强化学习算法,该算法不但使各个独立模型能够在训练中快速收敛,还充分考虑了局部决策与全局学习的关联,通过梯度传递保证了系统独立决策的最优性。3、基于隐私保护和安全聚合等方面的考虑,提出了一种基于信任聚合的联邦学习策略。该策略不但对初始节点的可靠性进行评估,还在联邦学习训练的过程中依据交互信息及时调整可信度,全面体现了边缘节点的信誉特征。最后通过信誉值信息对本地参数进行加权聚合,不但加强了高质量节点的学习贡献度,还能够有效抵御恶意节点的攻击。通过将本文提出的方案与其他基线方案进行对比可以发现,本文的方案在模型收敛上具有较好性能,并且能够实现资源消耗与训练精度的更优折衷,这一方面说明了本文方案在联邦学习场景下具有更高的普适性,另一方面也说明了分布式决策方案在处理分布式异构性问题上具有更好的表现。