联邦学习（Federated Learning,FL）是一种新兴的实现多方之间协同的分布式机器学习技术,经过近年的研究证明联邦学习在解决数据孤岛问题方面效果显著。然而传统联邦学习对各个参与方隐私保护关注度不够,一旦恶意参与方收集到其它参与方的本地模型参数便可以进行推理攻击,最终导致参与方隐私泄露。现有的联邦学习隐私保护手段主要是差分隐私保护和安全多方计算,二者分别存在隐私预算问题和加密开销过大问题。因此,研究更加行之有效的联邦学习隐私保护方法具有重要意义。将区块链技术引入联邦学习是一种新的研究方向,区块链可以为联邦学习提供激励机制并实现去中心化,然而已有研究并没有考虑到基于区块链的联邦学习场景中的隐私安全。在区块链的共识机制中加入隐私保护技术是保护联邦学习隐私安全的一种新思路。本文提出了一种针对隐私保护的区块链联邦学习框架PoABlockFL。本文首先提出基于参与方模型准确率的联邦学习节点评估方案,该方案根据参与节点的信誉以及准确率综合评估一个节点的可靠程度,越可靠的节点在模型整合阶段占据的权重越大。随后本文根据该方案提出基于模型准确率证明的区块链共识机制,不同于工作量证明机制需要矿工角色进行大量哈希计算占用资源,该共识机制将矿工和设备进行整合,减少了区块链联邦学习的部署开销,并且为节点提供了合理的激励方案使得各个节点为了获得区块奖励而使用优质的本地数据进行模型训练,并且PoABlockFL框架中的学习模型整合任务是由上链主节点来完成的,这就避免了目前区块链联邦学习中各个节点在自行整合模型的过程中进行推理攻击从而造成节点隐私的泄露。与此同时,准确率证明机制中还引入区块链混币协议CoinShuffle中的多层加密思想进而提出了联邦学习多层加密传输方案,不同于添加噪声,该加密方案保证了在联邦学习去中心化的同时,参与传输的各个节点接收到的数据均是高度加密的,该过程保证了联邦学习传输链路的可靠性,同时也保证了参与方节点的模型隐私不受泄露。最后,本文将提出的PoABlockFL框架应用在用户击键行为身份验证的实验场景中,并通过实验证明与传统联邦学习相比PoABlockFL具有更好的隐私保护能力。