联邦学习（简称FL）是一种新的适用于分布式边缘计算的计算范式,它使得分布式客户端之间无需交换原始数据,仅交换加密后的模型参数或梯度,就可以协同训练一个模型,并达到数据隐私保护的目的。在联邦学习的实际应用场景中,由于人为标记错误、客户端设备差异等因素,标签噪声往往是不可避免的。同时,每个客户端呈现的标签噪声水平不一致,从而导致标签质量差异化的突出问题,更进一步降低了联邦学习模型的准确性和鲁棒性。联邦学习中解决标签质量差异化的通用方法是引入一个额外开销的基准数据集来抑制标签噪声客户端。然而,引入一个外部基准数据集同样具有挑战性,并将不可避免地带来潜在的数据偏见。例如,IBM、Microsoft等公司发布的多款人脸分析算法均存在不同程度的肤色或者性别偏见,当引入对应的基准数据集时,将给某些客户端带来有意识或无意识的数据偏见。为了有效应对上述挑战,本文提出了一种基于联邦学习的标签噪声过滤算法（简称FedIMF）,旨在构造一个内部评测数据集来评价和过滤显著的标签噪声客户端,从而提高联邦学习模型的准确性和鲁棒性,具体研究内容如下:第一,设计了一个改进的内部评测数据集提取方法,即从数据量和标签种类最多的客户端中提取一个干净的、类平衡的内部评测数据集（简称IMD）;第二,基于IMD对每个客户端进行信誉值评估（简称CE）来过滤标签噪声和噪声客户端,即使用JS散度衡量IMD与各客户端的损失累积分布的相似性;第三,在标签噪声滤除后,建立基于信誉值的联邦学习模型。最后,本文在两个公开的数据集（CIFAR-10,MNIST）上验证了算法的有效性和鲁棒性。实验结果表明,本文提出的FedIMF算法切实有效可行,且准确率优于现有的三个基线算法。本文的研究贡献包括:第一,设计了一个改进的标签噪声检测方法来提取内部评测数据集,从而消除了潜在的数据偏见;第二,设计了一个信誉值评估方法,更好地区分了干净标签样本和闭集标签噪声样本之间的损失累积分布,从而提高了联邦学习模型的准确性和鲁棒性。