随着物联网技术的发展和人工智能的普及,网络中的边缘设备数量呈指数式增长,这些设备每时每刻都在产生大量的数据,对这些数据的分析和利用有利于信息化的发展。然而,传统对这些数据集中化处理的方法通常伴随着庞大的存储问题和复杂的计算问题。首先,庞大的数据量对网络传输能力要求较高,且会带来网络时延等问题,因此将数据处理从云端下沉到边缘端的趋势无法避免;其次,随着企业及用户对个人隐私意识的不断增强,使其对个人数据的保护更加重视,信息不愿互通,“信息孤岛”问题逐渐出现,无法充分挖掘数据的有效信息;最后,海量的数据通常具有多样性,使得对这些异构数据的统一处理较为复杂,对数据的利用率较低。针对上述问题,本文通过引入深度学习中的联邦学习框架,将复杂的计算问题下沉到边缘节点,过程中无需本地数据的传输,在保护个人隐私的前提下冲破“信息孤岛”问题。一方面,针对联邦学习过程中的模型参数压缩进行了研究,减少联邦学习过程中带来的通信成本问题和网络时延问题;另一方面,对数据的多样性问题进行处理,提出一种基于张量分解的数据融合方法,解决联邦学习框架下数据的融合处理与分析问题。本文的主要研究内容如下:（1）针对联邦学习中的所需传输的模型参数量大等问题,引入张量分解理论,提出了一种基于Tensor-Train分解的梯度压缩算法。针对联邦学习中由于模型传输过程所带来的参数存储问题和传输时延问题,利用张量分解理论,将传输模型的高维权重张量映射到低维核心张量空间,完成对传输模型的有效压缩。本文使用真实数据集对所提出方法进行仿真,并与现有的模型压缩方法进行了比较。实验结果表明,在联邦学习框架下,本文所提出的方法与其他方法相比,能够实现更好的模型精度和更高的模型参数压缩率。（2）针对联邦学习中的多源异构数据融合问题,引入张量分解理论,提出了一种基于Block-Term分解的数据融合算法。通过将各种数据特征进行张量融合的方式进行交互,同时将融合记忆空间通过Block-Term分解将其替换成多个核心张量的形式,能够实现多源异构数据的有效融合,并减小所需融合空间的大小,降低存储空间。实验结果表明,所提出的算法在单节点情况下有较好的模型性能,在联邦学习中也能有效解决多源异构数据的融合问题。