数据是推动数字经济快速发展的动力来源,是重要的生产要素。近年来,数据保护的约束使得数据被限制在不同企业和组织之间,形成了众多“数据孤岛”,难以发挥其蕴含的重要价值。联邦学习技术的出现使得数据在组织间交易或共享成为可能,其能够很好的满足隐私和安全性规约,受到了学术界和工业界的广泛关注。然而,仅仅依靠联邦学习很难满足数据交易的多方位需求,本研究从改善数据的有效交易和共享出发,重点探索兼顾高可靠性、高效率的数据交易方法,能够承载更加复杂的交易场景,从而实现数据赋能具体业务提高效率的目的。总结了现阶段已有的数据交易模式及其不足,并对基于联邦学习的数据交易机制在实践中所存在的通信成本高、奖励分配方案不明确、中心化等问题进行了阐述。通过对数据交易过程进行建模分析以及交易过程中的主要参与方和关键流程梳理,提出了一种基于联邦学习的多技术融合数据交易方法（multi technology fusion data transaction method,MTFDT）。该方法能够在降低通信时间损耗和增强激励机制可靠性的同时,使得交易过程数据可溯源和不可篡改,提高服务质量。本文的主要工作和创新点如下:1.提出了一种数据供给方训练效果评价与贡献计算机制。针对联邦学习在数据交易场景中的利益分配不明确和评价数据来源缺失的问题,引入沙普利值与可信执行环境技术,优化交易过程中的参与方贡献度评估流程,使得所提出的交易方法能够适应更多的模型训练情况,提高了利益分配的可信性和公平性。2.提出了一种交易过程数据存储机制。针对数据交易过程中存在的利益分配数据和训练数据存储中心化问题,该机制通过结合区块链、智能合约和分布式文件存储等技术,在实现过程数据去中心化存储的同时,保证了利益分配数据的不可篡改和模型训练数据的可溯源,提高了数据交易服务的可信性和节点作恶追责能力。3.提出了一种基于树型拓扑结构的模型数据同步算法。针对基于联邦学习进行数据交易过程中存在的模型数据传输造成的时间损耗问题,该算法通过模型权重文件切割和构建交互节点树的方式,实现了权重参数数据并行传输,使得同步时间复杂度由线性级降低至对数级。实验结果表明,相比星型拓扑结构通信时间消耗最多减少了34%。4.在上述研究的基础上进行了多技术融合数据交易系统的开发实现,功能测试和性能测试表明该系统能够有效的实现数据交易和共享,验证了所提出数据交易方法的有效性。