联邦学习作为当下人工智能技术的热点,可以解决“数据孤岛”问题。然而,现有的联邦学习方案面临一些问题,例如,如何保证上传的模型更新的隐私,如何避免不可靠的模型更新,以及如何鼓励参与者贡献他们的资源。为了解决这些问题,本文制定了相应的设计目标,提出了一种隐私保护的评估机制来选择可靠的模型更新。考虑到参与者不可能无条件的贡献自己的资源参加联邦学习,本文制定了相应的设计目标,设计了一种基于强化学习的公平激励机制对参与者进行激励。其主要工作如下:1.提出了隐私保护和可靠的联邦学习方案。针对参与者可能上传不可靠的模型更新影响联邦学习全局模型性能的问题,设计了一种基于参与者模型更新相似性的无损隐私保护评估机制。根据该机制,提出了隐私保护和可靠的联邦学习方案（PPRFLS）。PPRFLS采用双服务器架构,由聚合服务器（AS）和平台服务器（PS）组成。PPRFLS使用CKKS同态加密方案实现参与者本地模型更新的隐私保护,使用OPTICS算法和基于模型更新质量的加权聚合算法设计隐私保护的评估机制。该机制用于评估模型更新的质量,并根据评估结果聚合可靠的模型更新得到可靠的全局模型。由于内外部攻击者都不能从参与者那里获得原始模型更新,PPRFLS保证了模型更新的隐私性。通过性能评估和实验分析,证明了PPRFLS选择可靠模型更新生成可靠全局模型实现了可靠性目标。2.提出了隐私保护、可靠和公平的联邦学习方案。在现实中,参与者在本地进行模型训练时,会消耗计算资源。因此没有合理的报酬,参与者将不愿意为联邦学习任务贡献自己的资源。而隐私保护和可靠的联邦学习方案并没有考虑上述情况。因此,在隐私保护和可靠的联邦学习方案的基础上,设计了一个改进方案——隐私保护、可靠和公平的联邦学习方案（PPRFFLS）。该方案基于Deep Q Network（DQN）的公平激励机制,利用深度卷积神经网络（CNN）压缩学习状态空间,并估计每个支付的Q值。在不需要本地隐私信息的情况下,PPRFFLS能为每个群提供公平的支付,这意味着参与者不能通过欺骗PS获取更高的支付,实现了激励公平性。通过性能评估和实验分析,证明了PPRFFLS可以保证联邦学习参与者激励公平性,激励参与者上传可靠的模型更新,使PS获得更高的效用。