近年来,在物联网（Internet-of-Things,Io T）和第五代移动通信（5G）的推动下,人工智能（Artificial Intellegent,AI）蓬勃发展,大量新兴应用随之涌现,对数据安全性和隐私性提出了更高要求,同时更加严格的数据保护法律相继出台,限制了对数据有着大量需求的人工智能的应用。机器学习（Machine Learning,ML）或深度学习（Deep Learning,DL）模型可满足部分人工智能需求,然而数据孤岛的出现,众多数据还无法充分利用起来。为解决这一问题,联邦学习（Federated Learning,FL）技术将训练模型的任务交由用户这一数据持有方,通过服务器对训练好的本地模型做聚合更新。此时用户和服务器通信传输的是梯度或模型而非原始样本数据,这为用户提供了低时延高安全的模型训练服务。其中用户选择和资源分配是影响着联邦学习的训练速度、模型性能以及能耗等的关键问题,此外,将差分隐私引入联邦学习也是对其数据安全性的重要研究方向。针对联邦学习中的训练加速和模型传输安全问题,本文首先考虑单小区下联邦学习中用户选择和资源分配策略,然后拓展到多小区场景,利用区间干扰为差分隐私服务以加强模型安全性能。主要工作如下:第一,在无线资源受限的单小区联邦学习场景中,本文考虑结合用户选择及资源分配以实现加速联邦学习的效果,定义了均衡单次迭代时间和训练数据量的新的性能指标,称为训练效率,结合凸优化方法构建了用户选择、带宽分配和随机梯度下降（Stochastic Gradient Descent,SGD）批量大小选择,以最大化训练效率为目标的联合优化问题。本文提出的算法把原问题分解为用户选择和资源分配两个步骤,将非凸问题拆解出凸问题简化求解过程。仿真结果显示了其在加速联邦学习训练方面的有效性。第二,针对联邦学习的安全问题以及传输时延问题,本文引入差分隐私（Differential Privacy,DP）并结合空中计算（Over-the-Air Computation,Air Comp）,对多小区联邦学习场景建模,构建了利用区间干扰满足差分隐私要求,联合优化用户梯度传输功率、人工噪声传输功率和去噪因子的最小化均方误差（Mean Square Error,MSE）问题。利用凸优化原理求解,得到了问题的闭式解并设计了迭代算法交替优化各小区用户的传输功率,进行了各因素之间的影响分析。实验仿真表明差分隐私与联邦学习系统性能间存在一个权衡,利用适量的区间干扰满足差分隐私要求的同时,可降低人工噪声的传输功率,同时揭示了参与训练的用户数量越多,整个系统的功率开销也会相应降低。