针对人工智能实际应用环境中的数据孤岛效应和数据隐私保护,联邦学习框架应运而生。本文研究了基于卷积神经网络的联邦学习算法,主要包括:（a）针对个性化,研究了联邦学习的框架下多个客户端联合训练,最终为每个客户端学习其对应的个性化模型;（b）针对通信瓶颈,研究了联邦学习中的通信压缩。具体的主要研究内容如下:（1）本文提出了基于子类个性化的联邦学习算法（Subclass Personalized Federated Learning,SPFL）。该算法包括了客户端和服务器端的个性化算法:（a）在客户端,本文融合了元学习算法MAML,对初始化模型进行学习,实现了更加个性化的学习算法;（b）在服务器端,针对需向客户端下发多个个性化模型的情况,通过基于模型学习中的梯度相似性,有效建模客户端之间的相关性,提出了个性化模型的融合策略。实验结果表明,当客户端间数据呈I.I.D.分布时,该算法在MNIST,CIFAR10,EMNIST,CIFAR100四个数据集的平均准确率分别为98.82%,75.76%,90.58%,37.06%。当客户端间数据呈N.I.I.D.分布时,在以上四个数据集上的平均准确率分别为98.41%,68.91%,88.76%,30.96%。SPFL算法不仅保证了当客户端间数据呈I.I.D.分布时性能,而且当客户端间数据呈N.I.I.D.分布时,准确率远高于Fed Update和Per Fed Avg等联邦学习中的其他个性化算法。（2）本文提出了基于参数量化和参数分解的联邦学习通信压缩算法。（a）在参数量化压缩算法中,基于自然量化压缩算子,本文提出一种自适应偏移压缩算子,通过引入量化偏移,在额外增加1-2 bit开销（总体开销增加11.1～22.2%）的情况下,有效减少了量化误差。（b）在参数分解压缩算法中,为进一步增大压缩的比率,基于可分离卷积的思想,本文对包含着主要参数的卷积层和全连接层分别提出了缩减参数的分解模型。通过最小化重建误差损失,利用共轭梯度算法求解分解参数。本文所提出的参数量化和参数分解算法可以方便地的结合现有的联邦学习算法,包括本文在（1）中所提出的SPFL算法。实验结果表明,本文所提出的参数量化和参数分解压缩算法能有效减少联邦学习中,用于通信的参数总数和单个参数的表示长度。在保证对每个客户端学习存在性能增益的情况下,该通信压缩算法的最大参数压缩比可达6倍。