联邦学习（FL）作为一种保护隐私的分布式机器学习,在智慧医疗,金融分析等领域有广泛的应用前景。联邦学习被广泛部署于边缘应用场景,致力于在保证隐私安全的前提下充分挖掘边缘设备中的数据和计算价值。然而,由于边缘场景的复杂性（如设备异构性,物理宽带限制等）,联邦学习技术还远远未成熟,仍存在巨大的可优化空间。特别地,如何在联邦学习训练中对进行客户机选择是一个研究切入点。鉴于其部署环境中的物理带宽限制,在每轮的联邦学习训练中,只有一部分的客户机能被选择并参与到训练中。在并行数量受到约束的情况下,如何对客户机进行选择会对训练的效率以及训练的表现造成显著的影响。考虑到联邦学习系统的异构组成,当前在FL中被广泛采用的随机客户机选择策略仍存在巨大优化空间。具体来说,由于联邦学习边缘应用中设备的计算,通信能力,在每轮FL训练中对客户机进行随机选择可能会拉慢训练的效率,造成训练低效性并产生额外的训练开销。综合系统异构性和客户机中所存储数据的数值异构性,本文将研究在经典和不稳定边缘场景中的客户机选择问题,具体如下:1)在本文的第一个工作中,我们给出了客户机选择问题在经典边缘场景下的问题建模,算法求解和实验分析。研究发现,当客户机存在异构的计算与通信性能时,有偏差地一些高性能的客户机能一定程度加快训练,从而提升训练效率,然而,过多的选择偏差易造成训练模型对一部分客户机中的数据过拟合,造成训练效果的损失。基于该观察,我们提出了一种基于上确信界（UCB）的确定性多臂老虎机算法来对训练时间和训练效果进行折中。研究结果表明,我们提出的算法最高能减少40%的训练时间以达到同样的训练精度。2)在本文的第二个工作中,我们考虑了不稳定边缘场景下的联邦学习优化问题。具体来说,我们松弛化了在经典联邦学习中的稳定性假设—-客户机一定能在有限的时间内返回更新后的模型参数。基于松弛化的假设,我们提出了有时限的联邦学习聚合方案,并在此之下研究客户机选择问题对训练效率和性能的影响。为了对有效参与和公平性进行折中,我们提出了一种基于EXP3的随机性多臂老虎机算法进行客户机选择。研究结果表明,我们提出的算法能在保证选择公平性下有效提高有效参与从而提升模型收敛速度。