以智能手机、智能穿戴设备为代表的移动设备产生了海量的个人隐私数据,这些数据常被上传到企业数据中心用于训练机器学习模型,为产品质量和用户体验的改进提供依据。这一集中式训练模式受法律法规限制,数据不能轻易地跨机构、跨地域传输。联邦学习在不泄露本地数据的情况下通过参数共享和梯度聚合实现多用户协同训练,但其依然面临着隐私威胁。由于移动设备计算能力有限、有限通信、不稳定等特点,现有的联邦学习安全聚合方案并不适用于移动场景。论文面向移动应用场景,提出了一种分层联邦学习安全聚合框架,包含移动设备层、区域服务器层和中心服务器层。在移动设备层,应用灵活且低开销的差分隐私技术对客户端上传到区域服务器的梯度进行扰动,保护了客户端隐私安全且允许移动设备随时加入或退出训练;在区域服务器层,提出了一种低开销的双重可验证安全聚合方法,该方法基于秘密共享和消息验证码机制,能够应对部分中心服务器的失效或恶意攻击,并实现了对每个中心服务器聚合结果和全局聚合结果的双重验证。针对移动设备的数据集大小差异导致联邦学习模型训练准确率下降的问题,提出了一种数据不均衡场景优化方法,包含自适应区域权重调整算法和隐私预算分配策略,动态调整每轮训练中区域服务器的梯度权重和移动设备的隐私预算分配,在不改变移动设备整体隐私保护力度的前提下提高了模型训练准确率。实验结果表明,对于不同的数据集和模型,论文实现的分层联邦学习安全聚合系统能够以较低的安全聚合开销实现数据隐私的有效保护和聚合结果的可验证性,整体聚合开销只占训练时间的0.28%～1.06%,相比于基于LWE（Learning with Errors）同态加密的安全聚合方案降低了约97%的聚合开销。在数据不均衡场景下,论文提出的数据不均衡场景优化方法能够有效降低数据不均衡导致的模型准确率损失,准确率损失从1.72%～8.38%下降至0.38%～2.11%。