近年来机器学习技术发展迅猛,已被广泛应用于金融、医疗和自动化等多个领域。随着手机等智能设备的日益普及,数据作为支撑机器学习发展的关键驱动力,其分布逐渐趋向于本地化,而不再由大型数据中心统一进行存储。仅在规模有限的本地数据上训练会导致模型过拟合,但出于数据的隐私考虑,设备所有者通常不愿意将带有敏感信息的本地数据直接共享给他人,从而形成“数据孤岛”问题。联邦学习（Federated learning,FL）是一种可用于解决“数据孤岛”问题的分布式机器学习框架,通过分享模型参数或梯度的方式,联邦学习参与方可在保持数据本地私有的情况下协作训练一个高性能模型。然而传统的联邦学习中并没有考虑公平相关问题,使得很多客户端遭受了各种不公平对待,严重影响了它们加入聚合训练的积极性,阻碍了联邦学习生态系统的健康发展。例如在现实场景中,参与者之间的数据质量、数据量、计算能力等资源通常具有较大差距,因此它们对聚合训练的贡献是不同的。但是在传统联邦学习中,所有的参与者都会得到相同的聚合模型参数作为回报,而忽略了参与者之间贡献的不同;同时,在训练过程中,常规的聚合操作会不经意的偏向一些设备,使得最终聚合模型在不同参与者本地数据上的准确率表现出较大差距。总的来说,这些不公平问题包含聚合模型性能分配不均匀,参与者贡献和回报不成比例等。现有的相关公平方案存在应用场景受限、成本开销大、贡献评估片面、模型性能受损等问题,因此本文提出了两个公平联邦学习方案来解决这些问题。针对聚合模型性能分配不公平的问题,本文提出了一种基于α-fairness的模型优化公平联邦学习方案。该方案首先提出了一种联邦学习系统公平性和有效性的度量方法,并研究了参数α对系统公平性和有效性的影响,通过一种梯度逼近算法,来确定最佳的α取值达到二者之间的权衡。然后提出了一种有效的公平算法,称为α-Fed Avg,它可以在保持聚合模型有效性不损失的基础上,使聚合模型更公平,即其在不同参与者本地数据上的准确率分布更均衡。此外,该方案还提出了一种可行的α-Fed Avg算法扩展方案,来处理不诚实参与者谎报准确率的问题。针对参与者贡献和回报不成比例的问题,本文提出了一种支持模型分层的公平联邦学习方案。该方案首先提出了一种基于差分隐私生成对抗网络（Differentially Private Generative Adversarial Network,DPGAN）的数据互评机制,在保护数据隐私的基础上,划分参与者的贡献等级。然后提出了一种分层公平联邦学习框架,使用模型性能作为回报,可以使贡献等级较高的参与者得到性能较好的最终模型。此外,该方案给出了一种有效的模型参数检测方法,用来抵御不诚实参与者谎报信息的攻击。最后本文结合理论分析和仿真实验,对所提的两个方案进行了正确性及性能分析,通过与现有方案进行对比,证明了所提方案的公平性和有效性。