睡眠是人体重要的一项周期性生理活动,与各种健康问题息息相关,目前能提供细粒度的睡眠监控的设备是多导睡眠仪（PSG）,然而PSG操作复杂,需要专业人员陪同使用,不能满足用户日常使用的需求,因此国内外诸多研究者都研究更简便的睡眠监控,但是大部分研究不支持同时监测多项睡眠指标。另一方面,随着数据隐私安全意识的不断提高,在监控过程中也应注意保证用户的数据安全,保证用户隐私不被侵犯。本文研究基于联邦学习的人体睡眠监控,利用智能手表中的三轴加速度传感器采集人体睡眠时微弱的运动造成的加速度变化,监控人体三项重要的睡眠指标:睡眠时呼吸频率,睡眠体位以及睡眠时长,并通过联邦学习在不聚集所有用户数据的前提下用神经网络模型提高睡眠时呼吸频率以及睡眠体位的监测能力。本文提出的睡眠时呼吸频率监控算法,首先去除数据的直流分量以及高频噪声,利用傅里叶变换得到频域数据,最后设计了一个联邦神经网络模型融合三轴的数据输出用户呼吸频率,经过实验验证,本文提出的睡眠时呼吸频率监测算法平均绝对误差（MAE）在0.7以内。对于睡眠体位监测,首先提取数据中有关睡眠体位的特征,然后设计了一个联邦神经网络模型对用户睡眠体位分类,经过实验验证,本文提出的睡眠体位监测算法在四个基本睡眠体位上准确率均超过90%。由于本文研究过程中使用的手表并不提供记录睡眠时长功能,所以本文为该手表实现一个睡眠时长监测算法,利用三轴加速计采集的数据对用户状态分类并累计睡眠时长,经过实验验证,本文提出的睡眠时长监测算法与市场上具有同样功能的手表相比睡眠时长误差在10分钟以内。