随着信息化技术的革新和发展,产生了大量的互联网用户数据,传统的集中式学习具有很高的风险和成本,日益严重的隐私安全问题促进了联邦学习（Federated Learning,FL）的诞生。同时,随着边缘网络的发展、硬件设备计算和存储能力的提升,大量的网络服务下沉到网络边缘,边缘计算（Edge Computing,EC）得到了普及。得益于此,联邦学习的技术理念能够很好地应用于边缘计算当中,然而本地模型可能是与全局模型收敛方向相反的异常模型,并且大量的边缘设备与服务器频繁的交互通信会造成训练效率低下。因此本文围绕上述两个问题展开研究:第一,边缘计算环境下,由于更加动态的网络环境、计算能力的约束以及本地数据质量的不平衡,会导致边缘设备上传一些异常的模型参数;边缘设备也可能会发起恶意攻击,故意向服务器发送异常的模型参数,导致全局模型性能恶化甚至训练失败。针对该问题,本文提出了一种基于聚类和梯度距离的模型聚合算法。首先,考虑到联邦学习中数据可能呈非独立同分布（Non-Independent and Identically Distributed,Non-IID）,通过聚类算法确定全局模型的收敛趋势;然后,通过计算各本地模型与全局模型的梯度下降距离来确定该本地模型的异常程度,并基于此赋予各本地模型不同的权重进行加权聚合。实验结果表明,无论边缘设备的数据是否服从独立同分布,本文提出的方法都能有效地检测出异常模型并消除其不利影响。第二,联邦学习需要服务器与大量边缘设备进行参数交互,并且在全局任务里不断地迭代这个过程,这在边缘计算场景下将带来严重的通信开销,导致联邦学习的训练效率严重下降。针对该问题,本文提出了一种基于深度强化学习（Deep Reinforcement Learning,DRL）的自适应联邦学习算法。首先,综合分析不同大小的本地训练轮数对联邦学习性能的影响;然后,根据模型精度与训练效率的优化问题构建马尔可夫决策过程（Markov Decision Process,MDP）;最后,通过深度Q学习（Deep Q-learning,DQN）实现本地训练轮数的自适应调整。实验结果表明,本文提出的方法能够在保证联邦学习模型精度的前提下,提高训练效率,改善联邦学习的整体性能。