新一代群智感知（Crowd Sensing）系统在完成大规模、细粒度感知任务的过程中,基于人工智能的分析、推理及决策的作用变得不可或缺,而且越来越重要。群智感知是一个依赖移动智能终端设备广泛参与数据感知计算的开放系统,很容易造成用户隐私数据泄露。联邦学习（Federated Learning,FL）是让一组设备协同训练一个共享的人工智能模型的新兴分布式机器学习方法,模型训练过程中将用户数据保存在用户本地,只需要上传模型参数,极大的提高了用户数据的安全性。但联邦学习系统中可能存在的恶意用户以及数据交互过程中都会导致不必要的数据泄漏。为了有效保护群智感知应用中的数据安全,本文对基于联邦学习的群智感知数据安全方法进行研究,主要工作如下:（1）构建联邦学习模型:基于群智感知应用场景和特点,为了有效保护群智感知中的数据安全,本文将联邦学习模型引入群智感知系统中,做到只需要将用户的数据保存在本地来防范用户数据泄露的风险。为此根据联邦学习原理,利用Tensor Flow框架构建了一个适用于群智感知的联邦学习模型。（2）构建面向群智感知的高效联邦学习框架:针对联邦学习模型训练过程需要服务器与客户端之间反复频繁进行模型数据交换,会造成较大的系统开销的问题。本文提出一种高效的参与模型训练设备选择方法,利用改进的K均值聚类方法对参与感知的所有设备进行分簇,在此基础上通过随机选举簇头作为代表设备参与后续模型训练,实验结果表明相对传统方法,获得较小精度损失（约2%精度损失）,使得系统开销大为降低约20%。（3）基于群智感知应用的联邦学习安全方法:针对联邦学习中可能存在恶意用户及模型数据在交互过程中的安全隐患所带来的对系统模型精度和数据安全性造成不利影响的问题,为了构建用于群智感数据安全保护的安全联邦学习框架,本文提出了基于信誉分数的合法用户筛选方法,通过计算不同模型之间的梯度相似度来评估用户模型对服务器总模型的贡献程度,由此来判断该用户是否可靠。并通过不同的攻击实验验证系统抵御恶意用户攻击的能力。同时,本文经过对比实验明确了可以按照群智感知应用中数据量大小选择合适的加密方法来有效保护传输中的数据安全。