在商业应用中,除了数据保密之外,个性化也是研究重点,挖掘用户的各种个性化习惯,具有极大的经济价值,但是传统的联邦学习没有考虑这一需求,此外在面对新的任务和数据时重新训练成本损失大,需要一个能够动态训练新任务和数据的学习策略。本文针对现有联邦学习的不足进行改进:（1）面向数据的个性化问题,在客户端模型上引入多头注意力机制,帮助捕捉客户端特征之间的多种相关性,增加客户端模型参数的个性化程度,提高客户端模型的性能。针对聚合时局部模型合理的个性化带来的数据差异性对全局模型的影响,在服务器模型上,本文设计和采用了一个适用于多头注意力机制的联邦学习的融合框架。该框架首先,先用随机采样30%的数据,用联邦平均模型训练,得到服务器上的全局模型。其次,对剩下的70%数据,在联邦平均模型的基础上,在聚合时,计算出当前本地模型参数和预处理后全局模型参数的距离,得出模型间的差异性,从而为本地模型制定个性化权重,然后加权平均得到全局模型。从而希望本算法可以在模型之间相互学习的基础上,保持各个模型的个性化特点。（2）面向数据的类增量问题,本文引入增量学习的icarl训练策略,帮助客户端在初步只有少量类时先训练数据,之后增加类时可以逐步添加进行学习,该策略根据样本最近均值规则进行分类,使用基于羊群行为的优先样本选择,对知识提炼和原型排练进行表征学习,在不重新训练的情况下动态处理资源的增加。针对联邦学习中各客户端样本不平衡时,大样本客户端权重参数大并且对最终模型训练结果影响大的问题。在客户端模型学习中,本文设计加入通道注意力机制,帮助在获得各个客户端各自整体样本的特征的同时,尽量减少噪声对最终模型训练结果的影响。在服务器端模型聚合上,先从所有参与的客户端各提取相同样本数的数据用联邦平均算法进行预处理,得到初始全局模型,然后在模型聚合时针对特征不平衡难捕捉的问题,加入特征空间注意力机制,以此增强模型训练对于特征关键信息的抓取性能。面向数据的个性化和数据的动态增量问题,本文提出了两个联邦学习框架。第一个框架可以在挖掘特征的相关性的同时,提高局部模型合理的个性化存在的比重,第二个框架可以在数据流中不断学习新的概念,并通过实验结果分析证明本文提出的两个联邦学习框架的有效性。