随着人们隐私保护意识的崛起和数据安全法规的逐步建立,非聚合式数据共享方法因其无需源数据聚合即可进行数据共享的特性开始得到广泛的关注。而面向联邦学习的数据共享模式作为非聚合式数据共享中的典型方法之一,能够实现多方用户数据的模型构建和协同分析,在政务、能源、交通、环保、工业和电信等领域具有巨大的应用前景。但目前面向联邦学习的数据共享模式仍面临着隐私泄露、恶意模型攻击、安全聚合等问题,对此本文围绕面向联邦学习的数据安全共享关键技术展开研究。针对边缘计算环境下添加差分隐私扰动保护共享用户源数据隐私安全导致训练模型精度较低的问题;边缘用户数量庞大、隐私保护意识差且安全防护能力弱易遭受恶意模型攻击的问题;跨域共享环境下机构用户通过安全聚合保护模型聚合过程导致计算开销较大的问题,本文从基于高斯差分隐私的边缘数据隐私保护增强技术、基于特征重要性的恶意共享模型检测技术、面向联邦学习的跨域数据安全共享技术三个方面展开系统而深入的研究,主要工作如下:1.针对现有基于差分隐私的模型隐私保护技术因隐私分析函数复杂、隐私预算分配不合理导致的全局模型训练精度低、轮数少的问题,提出基于高斯差分隐私的边缘数据隐私保护增强技术。在本地差分隐私的基础上,通过高斯差分隐私算法从一类错误和二类错误之间的平衡函数中重新定义组合和子采样阶段,实现更精准的隐私预算分析;在本地训练阶段重新分配隐私预算,实现联邦训练轮数增加,模型训练精度的提升。最后,以边缘环境下智能车之间的数据安全共享为背景,给出该技术的一个具体的应用示例,从而说明该技术的可用性和实用性。2.针对现有恶意模型检测技术中易被共谋女巫协同篡改模型更新,导致基于相似度的检测方法检测精度较低的问题,提出基于特征重要性的恶意共享模型检测技术。在模型更新重要特征的筛选上,设计了基于LRP的特征重要性推理算法,利用诚实用户预测结果反向推理获取重要特征序列;在对重要特征序列的相似度对比上,设计了基于汉明距离的模型重要特征对比算法,比较不同模型更新重要特征之间的相似度,筛选出异常模型并作为优化学习率的依据,完成全局模型的聚合,实现对恶意共享模型的检测。最后,实验结果表明本技术具有检测性能好以及抗逃避检测能力强的优势,同时本技术也被融入在第三章智能车数据共享应用示例中。3.针对现有安全聚合技术计算开销大、公平机制差、隐私泄露、无法抵抗量子攻击的问题,提出基于二叉树的共享模型安全聚合技术。利用基于二叉树的分组安全通信协议将计算开销增长速率由线性级别O（Nlog ~2log Nlogloglog N）变为对数级别O（log Nlog N）,同时为用户提供的公平性能够激励更多用户参与到联邦学习数据共享过程中;通过分析分组不均衡场景下单一用户隐私泄露问题,设计了随机填充算法适应性的为单用户组补充临时用户增强隐私安全;通过融入格密钥交换算法为共享过程提供了抗量子攻击的能力。最后,以跨域共享环境下医疗机构之间的数据安全共享为背景,给出该技术的一个具体应用示例,并给出了安全性分析和性能分析。