随着近年来互联网行业的飞速发展,人们已经跻身大数据时代。海量数据中潜在价值的不断挖掘和利用,推动了人工智能领域的发展和人类社会的进步。然而在这一过程中,数据隐私泄露成为一大痛点,社交网络、互联网电商等信息行业频频曝出用户数据泄露的安全事件。人们隐私保护意识的增强和《通用数据保护条例》等法案的颁布实施,更进一步的限制了个人数据的访问与使用。在诸如医疗保健、物联网等领域,大量敏感数据广泛分布在不同位置,有多个数据实体联合建模的需求,但出于隐私保护的考虑,数据源之间存在难以打破的壁垒。联邦学习技术的提出与应用,可以在不收集用户数据的前提下进行分布式机器学习,以解决数据孤岛的问题。然而,传统的联邦学习依赖一个中央服务器进行模型存储和参数聚合,集中式模型训练过程导致系统容易遭受单点故障和恶意节点的攻击;联邦学习参与方传递的明文中间参数也可以被用来推断数据中的隐私信息,联邦学习在系统安全和隐私保护上受到越来越多的挑战。此外,联邦学习没有提供合适的激励机制促使参与方贡献更多的训练数据和计算资源。为解决上述挑战,本文提出了一种基于区块链的去中心化、安全、公平的联邦学习模型,利用同态加密技术保护协同训练方的中间参数隐私,通过选举的联邦学习委员会进行模型聚合和协同解密。解密过程通过秘密共享方案实现安全的密钥管理,并利用双线性映射累加器为秘密份额提供正确性验证。模型还引入信誉作为评估参与方可靠性的指标,利用主观逻辑模型实现不信任增强的信誉计算作为联邦学习委员会的选举依据,信誉值作为激励机制的参考还可以保障参与公平性。模型信息和信誉值通过区块链实现数据的防篡改和不可抵赖。本文提出的基于区块链的隐私保护联邦学习模型使用FISCO BCOS区块链平台实现,并在MNIST数据集上进行协作学习。实验表明,提出的联邦学习模型可以在训练精度相比中心化学习模型略有损失的情况下,实现了去中心化的模型训练方式,并有效实现了各参与方的隐私保护。