大数据时代来临,同一行业内、不同行业间的大数据都可以联合起来产生巨大价值,大数据及人工智能相关技术飞速发展并被大规模投入应用。在人工智能领域,传统的数据处理模式往往是集中式的,各方收集的数据将被集中至同一处进行预处理、清洗及建模。但随着大数据相关技术及人工智能的发展和应用,数据的安全性和隐私性越来越受到相关部门及企业的重视,各方政府也相继出台了相应法律法规,限制隐私数据的流通与共享,由此产生了“数据孤岛”的问题。针对这个问题,谷歌首次提出了联邦学习的概念。联邦学习是一种使得各数据拥有方在保障数据安全和数据隐私的前提下能进行协同训练的机器学习框架,可以保证不同的数据拥有方在不共享数据的情况下进行协同训练,共享数据价值但不共享数据。目前以Google的联邦平均算法（Federated Averaging）为代表的一类主流联邦学习算法是通过集中计算模型参数或梯度从而共享学习到的知识,但是这一类联邦学习算法存在以下问题:1、在各方数据类别存在显著不平衡情况下,算法性能下降严重;2、针对敏感性高的数据,直接进行模型参数的交互存在安全风险和隐私风险。针对以上问题,在数据集严重不平衡情况下,设计了两类联邦学习算法。在数据严重不平衡但对机器学习模型隐私性要求不高的情况下,针对传统联邦学习算法在数据类别不平衡时性能下降的问题,设计了参数共享的联邦学习算法,通过迭代传递子模型间参数的方式,大大提高了模型性能。并在公开数据集上对其效果进行了评估,结果表明此算法使得准确率和损失值都逼近相同数据集在集中式机器学习下进行训练的结果。针对模型敏感性更高的严重不平衡数据,由于参数共享的联邦学习算法中存在模型参数的直接交互,有一定泄露数据隐私的隐患,引入了知识蒸馏的思想,设计了针对高敏感的不均衡数据的预测信息共享联邦学习算法,进一步提高了数据隐私的安全性,杜绝了底层数据泄露的危险,且支持各数据拥有方模型异构。针对公共数据量不足的情况,本文还进一步通过自生成公共数据集的方式改进了针对高敏感的不均衡数据的预测信息共享联邦学习算法,大大提高了准确性,降低了损失值。