随着科技的迅猛发展和物联网的广泛应用,承担物联网数据存储的网络边缘设备的数据量以指数级趋势增长。然而在信息化时代中,由于受到以下多方面因素制约,人们无法对海量数据进行充分利用。首先,庞大的数据量容易造成网络负载过重以及严重的时延问题,由传统的数据集中化处理模式向边缘化处理模式的转变是不可避免的。其次,由于企业间的竞争关系和用户隐私意识的提高,使得企业对于数据保护尤为重视。这些制约因素造成了虽拥有了海量数据,但大数据仍然呈现“信息孤岛”的情况,这也大大限制了需要海量数据支撑的人工智能技术的发展。最后,边缘设备的多样性决定了采集到的数据往往存在不确定性（例如,数据的异构类型和数据异构类型的数量）,使得传统云计算无法对异构数据采用统一的处理方式,因此在很大程度上限制了对异构数据的充分利用。为解决上述不足,本文在边缘计算中引入联邦学习框架,从而打破由于数据隐私保护引起的“数据通信壁垒”问题。同时,为进一步对分布式计算进行优化,降低通信资源和对边缘设备的硬件需求,提出基于联邦学习的分布式层次深度计算模型。此外,为提高模型的普适性,解决边缘计算中由数据隐私和数据不确定性带来的多源异构数据融合难的问题,提出一种面向边缘计算的多源异构数据融合算法。本文的主要研究内容如下:首先,为有效降低联邦学习中的通信带宽和对高性能计算设备的依赖,提出一种基于联邦学习的分布式层次深度计算模型。针对联邦学习中共享模型参数的冗余性,引入层次张量分解理论,将模型参数从高维张量空间映射至一组低维子空间,实现对模型参数的压缩。针对张量化神经网络设计一种基于梯度下降的层次反向传播算法,该方法在训练过程中能够直接计算张量化神经网络中低维子空间参数的梯度,从而有效降低了训练过程中的通信带宽损耗和对网络边缘设备的存储需求。其次,为充分利用网络边缘设备上的异构数据,在不透露用户隐私的前提下实现信息的共享,提高模型对多源异构数据的兼容性（包括异构类型和异构类型的数量）,提出一种面向边缘计算的多源异构数据融合算法。针对异构数据在无交互条件下的融合问题,引入Tucker分解理论,构建一个高阶张量,通过训练使得该张量沿不同模展开后的参数能够反映各个异构数据的空间维度特性,实现异构数据的融合。针对边缘设备上异构数据的不确定性问题,采用特征提取器自适应选择机制,各个网络边缘设备根据拥有的异构数据选择不同的特征提取器,并将提取的异构数据特征采用张量理论加以融合,实现模型对异构数据的自适应学习,提高模型的泛化性。