近年来,车联网（Internet of Vehicle,Io V）的出现旨在通过设计各种复杂的应用程序来提高用户的体验质量,驾驶安全以及舒适度。为了实现上述目标,需要在实时场景中通过各种智能设备在路边单元（Road Side Unit,RSU）和车辆之间传输/交换数据。然而,车辆和路边等无处不在的设备之间的存储和通信依然存在多种潜在的挑战,如数据篡改、数据完整性、网络攻击以及信息泄露或伪造的风险。此外,若没有相应的共享约束条件,车辆提供的数据质量良莠不齐,并且让所有的车辆来提供数据不仅不现实,而且会造成车辆资源的浪费。最后,在复杂动态的Io V环境中,必须减少交易延迟,降低通信开销才能保障数据共享的时效性和可靠性。联邦学习（Federated Learning,FL）因为能保护敏感的隐私数据在Io V背景下被广泛使用,区块链账本也因其可以为FL用户解决分布式信任问题和能够快速更新车辆的状态而受到青睐。因此,本文结合区块链和FL技术,针对如何提高车联网场景下数据共享的安全与效率问题进行了研究,主要研究内容如下:（1）为解决车联网数据共享过程中隐私保护不完善、数据源质量参差不齐、共享模型质量差等问题,提出了一种联邦学习与区块链相结合的数据共享与隐私保护方案。首先,通过联邦学习对多源车辆数据进行建模,将训练的模型参数和参与车辆的声誉值存储于区块链上。然后,通过分析数据源质量对联邦学习算法性能的影响,提出了一种基于双重主观逻辑模型的声誉值计算方法来选择联邦学习的客户端,以保证在数据共享中高效筛选数据源,提高共享效率和实现隐私保护。最后进行了仿真分析,结果表明所设计的方案能够在实时动态的车联网数据交换的场景中筛选出高质量的数据源,进而提高联邦学习训练的精确度。（2）为解决车辆网数据共享过程中共识速度慢、通信复杂度高等问题,提出了一种基于动态分区协议的实用拜占庭容错（Practical Byzantine Fault Tolerance,PBFT）共识算法优化方案。首先,由于传统PBFT共识采用随机选择主节点来领导共识流程的策略不适用于动态环境下的实时性共识管理,设计了一种主节点选择策略来降低恶意节点成为主节点的概率,减少视图切换,提高共识效率。其次,设计了一种适用于车联网环境的动态信任分区协议,根据节点的运动特性对片区数量进行灵活部署以满足车联网场景中需要实时交易传输的要求,提高恶意环境下节点行为变化的能力、安全性。最后进行了安全性分析和仿真分析,结果表明所设计方案能够提高车联网场景下PBFT共识的可扩展性,通过划分共识片区和优化共识流程降低了节点间通信开销,提高区块交易效率。