隐私问题限制了数据的流通和利用,使拥有数据的各方形成了一座座数据孤岛。联邦学习和同态加密或差分隐私相结合能够实现跨孤岛的联邦学习,打破这种数据孤岛。基于同态加密的联邦学习在实现分布式机器学习的同时能够保护用户数据隐私,但加密后的数据是透明的,无法检测正确性,因此对恶意节点的容忍能力不足。使用差分隐私能够在联邦学习过程中保护各节点的数据隐私,但在模型参数中添加噪声会降低模型检测的准确率和收敛效率。针对容错能力不足的问题,提出了基于分组聚合的容错同态加密联邦学习模型（Fault-tolerant Homomorphic Encryption Federated Learning Model Based on Grouping Aggregation,GFTFL）。GFTFL每一轮迭代分两次聚合。第一次聚合将参与训练的节点分为若干贡献组,并使用基于Paillier算法的同态加密方案对每个贡献组的训练结果加密,对每一个贡献组聚合后方可解密得到相应贡献组的聚合结果,以实现梯度隐私保护。第二次聚合使用全局测试集对每个贡献组的训练结果进行检测,选取准确率更高的若干贡献组参与聚合,得到最终训练结果,以实现容错机制。GFTFL实现了存在恶意节点环境下用户梯度隐私保护与本地模型可检测,进而选取测试结果更优的一部分贡献组参与聚合,提高了联邦学习过程对恶意节点的容忍能力。实验结果表明,在存在恶意节点的环境下,GFTFL的容错能力优于传统方案。针对噪声影响准确率的问题,提出了基于卡尔曼滤波的差分隐私联邦学习模型（Kalman Filter-based Differential Privacy Federated Learning Model,KDPFL）,将模型参数更新方程转化为状态转移差分方程,基于状态更新差分方程与噪声分布计算卡尔曼增益,通过卡尔曼增益系数修正参数更新以达到降低噪声的目的,并在非独立同分布（NonIID）与独立同分布（IID）两种数据分布情况下构建了有效性的验证方案,实验结果表明相比差分隐私联邦学习,本文提出的方法准确率最大提高了约3%。