近年来,人工智能技术得到了飞速发展,在许多具有挑战性的任务中都取得了重大进展。这一系列进展背后的关键因素之一是海量数据的收集与利用。然而,在实际场景中,由于数据安全、隐私保护和法律约束等因素,数据的收集和使用通常面临极大限制,严重制约人工智能技术的应用。为解决上述问题,联邦学习应运而生,旨在通过构建协同训练机制,在不共享各客户端数据的条件下,训练高性能全局模型。作为一种新型的分布式机器学习范式,联邦学习对充分发挥大数据的潜力以及推动人工智能技术的发展具有十分重要的意义。然而,在实际应用中,联邦学习尚面临如下问题:1)客户端的数据往往类别不均衡且各客户端之间的数据分布差异巨大,使得全局模型难以训练;2)各客户端需要与中央服务器进行频繁的通信以共享其高维本地模型参数,导致通信开销高,难以应用于实际场景。为解决上述问题,本文提出了相应的解决方案,做出了如下贡献。针对客户端数据类别不均衡且分布差异大的问题,本文提出了一种基于数据生成的类别均衡联邦学习算法。该算法通过数据生成技术,针对各客户端构造符合全局模型学习的类别均衡数据集,从而获得高性能全局模型。实验表明,本文方法可大幅提升联邦学习性能:如在CIFAR-100数据集上,与现有方法相比,本文方法将Res Net20模型的分类准确率提高了5.82%。针对通信开销高的问题,本文提出了一种基于数据生成和集成蒸馏的一次联邦学习算法。该算法先通过集成各客户端的本地模型获得性能更优的集成模型,然后设计有效的数据生成方法和知识蒸馏机制将集成模型的知识迁移至全局模型,从而在一轮通信的条件下高效提升全局模型性能,使得通信开销大大降低。例如,与经典的Fed Avg方法相比,本文方法的通信开销减少了2/3。