在第五代移动通信和物联网等技术的推动下,边缘计算飞速发展,传统基于云中心的人工智能网络架构出现了本地化的演进趋势。联邦学习作为网联人工智能的新范例,在协同训练和保护隐私等方面具备独特的优势。在联邦学习系统中,全局模型参数的更新依赖于云服务器与边缘节点间频繁的模型信息交互,这将给系统带来大量额外的通信开销和训练时延,已经成为了限制系统性能的关键问题。当前,通过压缩节点模型参数信息以减少节点间的通信开销是缓解节点间信息传输压力并降低联邦学习训练时延的重要方法之一。基于此,本论文重点研究了通信资源受限场景中联邦学习的模型参数压缩问题,首先在给定总通信开销的条件下,研究了基于模型参数分布特性的量化方案;在此基础上,进一步讨论了该方案中量化比特数这一超参数的影响,研究了基于深度强化学习的量化比特数选择策略。本文中的主要贡献和创新点归纳如下:1)针对联邦学习场景下的模型参数压缩问题,以最大化通信资源的利用效率为目标,利用联邦平均聚合方式,结合非均匀量化与哈夫曼编码,提出了基于模型参数分布特性的量化方案。首先,根据模型参数在系统训练过程中的动态分布特性,建立了最小化均方量化误差的优化问题。然后,利用Lloyd-Max迭代算法求解该优化问题以得到非均匀量化方案,并使用哈夫曼编码最小化平均码长。最后,从理论上证明了所提方案能保证全局模型参数的平均梯度范数以（?）的速度收敛,其中T为训练周期总数。同时,在MNIST数据集和Cifar-10数据集上进行了仿真测试,结果表明相较于基准方案,所提方案分别将模型的测试准确率提升了 12%和18%。2)在工作1)中,量化比特数的取值会影响联邦学习训练的总轮数和每轮次的训练效果,进而影响最终模型的测试准确率。针对这一问题,本工作以最大化最终模型测试准确率为目标,提出了基于深度强化学习的量化比特数选择策略。首先,将全局时间尺度下量化比特数的选择建模为一个马尔科夫决策过程。然后,利用深度Q网络算法对智能体进行训练,训练完成的智能体可以自适应地调整量化比特数的取值。仿真结果表明,相较于基准方案,所提策略可实现最优的全局模型测试准确率。