联邦学习（Federated Learning,FL）是一个适用于移动计算中保护隐私的协作学习框架,其核心思想是在联合训练模型时,参与训练的多方用户设备无需上传原始数据,只需上传自身模型。在FL中,用户设备和服务器之间的通信成本优化问题受到学术界的广泛关注。本文将结合多任务学习、量化压缩、机器学习优化算法、自适应调整等对FL的个性化任务学习和用户选择策略进行研究,主要工作包括:（1）提出一个多项个性化任务协作学习框架,优化FL的整体通信成本。现有的FL框架大多针对每个用户仅学习单项任务的场景,然而每个用户在移动设备上通常有多项相关且与用户本身数据关联度极高的个性化任务,例如多内容推荐。利用传统的FL框架进行多项个性化任务学习时,需要针对每项任务单独训练模型,消耗大量的通信资源。为此,本文提出一个面向多项个性化任务的联邦学习问题,其目标是在每个用户学习多项个性化任务时最小化整体通信成本。特别地,我们将多任务学习与FL相结合,通过每个用户训练一个模型的方式同时学习多项个性化任务,并提出协作学习框架。该框架根据多任务学习的特性修改加速收敛算法和量化压缩策略,在保证模型精度损失极少的情况下获得更优的通信效率。最后,基于真实数据集的实验结果表明本文提出的框架具有良好的性能。（2）提出一种自适应用户选择算法,在满足全局模型精度的前提下降低通信成本。较多FL研究工作关注如何在约束条件下最大化每轮通信选择的用户数量,这些方法通过加快全局模型收敛速度降低通信成本,并且把各个用户当前模型的损失值作为用户选择的标准,但忽略了用户本地训练的局部收敛速度更能衡量当前的训练进展。考虑到该因素,本文提出了一个在满足模型精度的前提下最小化通信成本的FL问题。为了解决这个问题,我们提出自适应用户选择算法,在不影响全局模型收敛的前提下,通过每轮自适应选择少量但收敛速度更快的用户参与聚合,从而有效提高通信效率,并且自适应调整本地训练参数和调整全局模型聚合的方式。最后,基于真实数据集的实验结果表明本文所提算法的高效性。