随着人工智能技术飞速地发展,机器学习技术运用到各种算法中为人们的生活方式带来了改变,但同时也带来了隐私泄露的风险。纵观机器学习发展历史,会发现由于人们对隐私数据的重视以及各国相关法律法规对公民隐私权的保护越来越强,数据孤岛问题日益凸显,但是没有海量数据的支持,模型精确度难以提升。在这种困境下,谷歌研究团队提出了联邦机器学习的概念,既能满足各方隐私保护的需要,又能提升模型精度,因此,联邦学习一经提出,迅速成为焦点。本文关注的是横向联邦学习领域,提出了一种基于本地化差分隐私的横向联邦学习算法。本文的主要工作有:首先,本文研究并分析了联邦学习的基本流程,本地模型训练、模型参数传输、协调方模型参数聚合平均等。在模型参数传输过程中,已有学者证明,一旦发生数据泄露,攻击者可以根据梯度变化推测出用户的敏感数据。针对该问题,本文研究了差分隐私相关算法,并根据本地化差分隐私的一些特性,将本地化差分隐私应用到联邦学习中。然后,本文提出了一种新的基于本地化差分隐私的联邦学习算法——GR-FedAvg算法:基于本地化差分隐私理论,GR-FedAvg算法是在本地对Trainer端（用户端）即将要向Server端（数据收集端）传递的模型参数进行二进制转换并提出了一种基于二进制串按比特位进行随机扰动的新方法,然后,由于扰动方法的不同,在Server端为Trainer端发送过来的二进制串设计了相应的解码、校正方案和回归统计方法,将所有Trainer端传输过来的二进制串按比特位进行加法运算,然后根据比特位权重进行校正,平均。最后,本文对GR-FedAvg算法和横向联邦经典FedAvg算法进行了对比,实验表明,与在本文所选的两个数据集上的FedAvg算法复现实验相比有精度的损失,但是考虑到GR-FedAvg算法满足-本地化差分隐私,大大增强了对通信数据的隐私保护,这些代价完全是可以接受的。