分布式技术如今已成为智能系统的发展方向,结合不同的应用场景和需求,搭建特定的分布式系统,能极大提升系统的运行效率。而传统的分布式系统主要应用于计算机内部的算法训练,在硬件层面由于硬件设备种类繁多、结构单一、数据缓存不合理,难以形成协同配合,对于分布式系统的搭建形成巨大挑战。针对上述问题,本文在研究分布式系统的基础上,以海上应急救援为应用场景,通过组装9台硬件设备模拟救援设备,并设计救援设备协同集群参与,实现从复杂多变的海上环境提取海量多源异构的数据信息,自动生成救援方案,支持救援指挥官高效决策与行动。实现面向救援方案自动生成的联邦学习分布式训练系统,其主要研究内容如下:（1）提出基于联邦学习的分布式节点系统训练框架。组装配置9台硬件设备协同组网,设计Ad-hoc和WIFI相结合的系统网络架构。有效解决了节点协同训练能力不足和通信困难的问题。（2）提出基于节点重要度的缓存备份策略,提高全局信息冗余度。在每发现一条新信息的情况下,通过训练计算节点重要度高的节点缓存备份信息,有效解决了海上救援环境中数据丢失的问题,从而保障在出现节点掉线的情况下,全局信息不丢失。（3）提出基于匹配算法的救援方案生成策略。针对特定场景下系统目标,生成合理的救援方案。利用各个节点收敛的全局信息,结合数据库中的历史缓存救援方案,定义合理规则进行匹配,训练生成最终的救援方案,得到正确的系统结果。（4）结合上述几种策略和算法搭建实现整个软硬件平台系统,并进行针对性测试,证明该系统在特定的模拟场景下,能够有效解决多节点协同配合能力不足,数据易丢失的问题,并能正确运行得到系统结果,满足特定场景的运行需求。