目前联邦学习面临的一个关键挑战为数据分布异质性挑战,其主要表现为各参与方的数据分布是非独立同分布的（Non-IID）,它使得各参与方在训练本地模型时,产生模型性能偏移问题,显著降低模型收敛性能和实用价值。此外,当联邦学习面临海量设备参与的大规模场景时,昂贵的通信开销会成为主要的训练瓶颈,尤其是对于那些通信带宽受限的设备,这将限制联邦学习在实际场景中部署应用。因此,如何提高联邦学习算法在Non-IID场景下的收敛性能并降低通信开销,是联邦学习研究的重要课题。针对上述问题,本文的主要贡献如下:1.针对设备局部模型在本地训练中表现出的参数层间不一致性差异,提出了模型分层的距离正则化约束方法（LWDR）,用以改进联邦学习本地训练的过程。它根据模型参数层深度,采用不同约束权重,分层控制局部模型与全局模型之间的距离,以适应局部模型层之间的不一致性差异。2.针对大规模Non-IID联邦学习场景下的模型聚合稳定性差的问题,本文将分层约束的思想进一步应用到全局模型聚合的过程中,提出了分层动量聚合方法（LWMA）,提高大规模FL场景下的模型聚合稳定性。该方法在聚合过程中引入聚合动量,并根据模型层的深度对动量进行调整,它能在提高聚合稳定性的同时,减小对模型收敛速度的影响。3.本文基于物联网通信技术MQTT以及web服务框架Flask,设计并实现了面向物联网场景的高效联邦学习系统,支持在真实设备上部署本文提出的联邦学习算法。该系统通过本文所设计的动态扩展、心跳检测,三次应答传输,超时检测等机制确保系统的可扩展性、容错性和通信稳定性。此外,为了减小设备上传梯度的通信开销,本文提出了一种梯度压缩方法并将其部署于系统中,用于提高系统通信效率,降低通信成本。本文基于CIFAR-10和CIFAR-100数据集开展了大量的联邦学习实验,实验证明本文提出的联邦学习算法能够有效提高Non-IID场景下模型的收敛性能,同时本文所实现的联邦学习系统具备有效性和较高的可用性。