联邦学习能够在不传输各物联网原始数据的情况下,实现所涉及的设备协同训练同一个全局模型,因此其逐渐成为一种低通信开销、数据隐私保护的高效分布式机器学习范式。然而真实物联网环境中各设备所采集数据的异构性会导致联邦学习模型训练过程中“权重发散”的现象,从而使算法收敛速度减慢,且其所训练模型的推理精度降低,这可能会导致严重的安全隐患。现有的面向数据异构的联邦学习优化算法大多会引入大量的通信开销或暴露其原始数据的隐私,这使得它们不适用于对数据安全要求严苛且资源受限的物联网应用。因此,如何在不引入大量的通信开销且保证数据隐私安全的情况下,提升面向数据异构的联邦学习算法性能是现阶段联邦学习在物联网场景应用所亟待解决的关键问题。针对上述问题,本文围绕联邦学习模型训练的三个阶段（即设备选择、本地训练、云端聚合）,以提升数据异构场景下联邦学习算法性能为目标,设计了三种不同的优化方法。具体而言,本文的主要研究内容和贡献如下:（1）.基于设备数据分布的相似性,提出了一种依赖设备分组的新型联邦学习设备选择算法,优化了设备选择阶段。本文使用库函数中预训练的模型对各设备数据特征进行提取,从而获取了所有参与训练的设备特征。然后对加密后的各设备特征进行聚类,在不暴露原始数据隐私的情况下实现了设备的分组。如此,本文即可在联邦学习模型训练的过程中对设备的选择加以约束,从而解决因数据异构产生的“权重发散”现象而导致的模型收敛振荡问题。（2）.基于知识蒸馏,提出了一种动态调整软硬标签的新型联邦学习本地训练算法,优化了本地训练阶段。本文在每轮本地训练结束后使用各个设备更新后的本地模型推理得到标签对齐的样本逻辑值并将其与模型梯度一同上传到云端服务器,云端服务器将二者各自聚合后一同下发给待进行本地训练的设备。将之与本文设计的新型损失函数和动态调整策略相结合,可以解决各设备在模型本地训练过程中知识映射效率不高的问题,从而提升模型精度。（3）.基于设备级联,设计了一种包含设备分组计数的新型联邦学习云端聚合算法,优化了云端聚合阶段。本文将联邦学习模型训练划分为多个模型训练循环并延迟云端全局模型聚合的频率。为了鼓励更多设备参与到模型训练中并避免同一模型副本在同一设备上训练多次,本文将所有参与训练的物联网设备进行分组并对其参与训练的次数进行计数。通过周期性地聚合所有遍历多个设备的模型,本文所提出的算法可以有效地解决模型的训练集规模偏小且训练数据偏斜的问题,从而提升算法性能。本文使用多个知名数据集、多种数据异构划分方法以及多种经典模型对所提出算法的性能进行验证,实验结果表明,本文所提出的优化方法,可以在不引入大量的通信开销和保证数据隐私的情况下对联邦学习模型训练的三个不同阶段（即设备选择、本地训练、云端聚合）进行优化,不仅能够有效提升模型的推理精度,还能够加快模型训练的速度。