现代人类生活越来越离不开手机、传感器和各类物联网终端设备。这些设备收集的大量个人数据催生出大量机器学习应用场景,对我们的生活质量和经济产生巨大影响,因为算法、算力的大幅改进提升,深度学习算法在其中大放异彩,在一些识别任务中已超越了人类识别准确率。尽管如此,在工业界许多领域如医疗、金融和零售等,更多产生的是相互独立的小数据集,容易形成数据孤岛。另一方面,互联网的高速发展使得人们对于数据隐私和数据安全的意识越来越强。这两方面因素导致深度学习算法所需的数据无法被直接收集到数据中心进行大规模的模型训练,从而使任务准确率难以得到保证。联邦学习允许客户端在本地训练和更新其模型,同时保护个人数据隐私,其很好地应对了以上场景的两个主要问题:数据孤岛和隐私安全,但由于移动终端和物联网设备的计算资源受限问题,现阶段联邦学习依然面临着模型性能和训练成本方面的挑战。本文探究联邦学习中的深度学习算法模型加速问题,提出元自动剪枝联邦学习加速算法,该方法受神经网络架构搜索算法和剪枝算法的启发,对联邦学习系统中深度学习算法模型的训练和推理过程进行加速,来提高终端设备算法模型在实际资源受限场景中的训练和推理速度。元自动剪枝联邦学习加速算法主要由三大模块组成,即联合训练模块、聚合更新模块和向量搜索模块。其中联合训练模块包含元自动剪枝网络训练和加速模型训练两个部分,通过构建元自动剪枝网络来生成加速网络的权值张量,以根据参与者的本地数据分布情况动态调整加速网络的权值,并同步优化更新元自动剪枝网络的参数。聚合模块将优化更新后的元自动剪枝网络进行聚合,得到参与下一轮训练的全局元自动剪枝网络模型。向量搜索模块运用进化算法思想设计了加速网络搜索策略,在计算量的约束下,根据加速网络的验证准确率情况来搜索最优编码向量并投入下一轮训练。各个模块之间紧密相联共同优化,构建了整个元自动剪枝联邦加速算法训练流程正反馈闭环。实验表明,本文所提出的元自动剪枝联邦学习加速算法加快了模型训练收敛速度,并且在“通信成本-计算成本”权衡问题方面,在目标准确率和通信量预算相同情况下,元自动剪枝联邦学习加速算法的计算效率比其他联邦学习算法提高了大约两倍。