近几年来,随着人工智能技术的不断发展,人工智能现实应用场景中存在的数据孤岛和数据隐私保护问题不断暴露出来。联邦学习作为一种解决数据孤岛和数据隐私保护问题的有效解决方案,受到了广泛关注,并且在多个领域有了成功的应用。然而,联邦学习的现实应用场景中普遍存在的数据异构性问题限制着联邦学习的发展,成为联邦学习落地的阻碍。解决联邦学习数据异构性问题成为联邦学习的关键挑战。现有的联邦学习数据异构性解决方案的关注点大都在模型上,且大都不能同时很好地解决联邦学习数据异构性问题带来的两方面负面影响。鉴于此,本文从新的角度研究了联邦学习中数据异构性问题的解决方案。首先,本文揭示了联邦学习数据异构性问题产生负面影响的潜在根本原因:联邦学习中设备上数据的非独立同分布（Non-IID,Non-Independently Identical Distribution）造成的设备相互之间的精度拉扯。然后,本文提出了基于联邦学习聚合参数的FedFPO（Federated Fusion Parameters Optimization,联邦聚合参数优化）算法。Fed-FPO算法利用模型变化率来计算不同设备上模型的聚合参数,降低设备相互之间的精度拉扯,从而降低联邦学习数据异构性带来的负面影响。随后,本文对Fed-FPO算法做了进一步优化,将Fed-FPO算法与知识蒸馏（Knowledge Distillation）相结合,提出了Fed-FPDO（Federated Fusion Parameters Distillation Optimization,联邦聚合参数蒸馏优化）算法。Fed-FPDO算法将Fed-FPO算法中聚合得到的聚合模型做进一步知识蒸馏后得到总模型,同时利用模型变化率来计算知识蒸馏中蒸馏温度,进一步放大了Fed-FPO算法在解决联邦学习数据异构性问题上的算法性能,降低设备相互之间的精度拉扯。最后,本文通过仿真实验对Fed-FPO算法和Fed-FPDO算法进行了性能分析。仿真实验中模拟了现实环境中联邦学习数据异构性的真实场景。实验结果表明,FedFPO算法和Fed-FPDO算法在解决联邦学习数据异构性问题上有优越的性能。