随着智能设备的广泛运用,包含用户信息的数据不断涌现,基于大数据的人工智能技术有了质的飞跃。但是机遇与挑战并存,人工智能技术利用数据为各行各业带来增益的同时,用户隐私数据泄露的问题也随之出现。因此联邦学习应运而生,这是一种特殊的分布式机器学习框架,它能够联合多客户端训练的同时保护数据隐私,因为客户端的数据不需要离开本地。这样的学习框架为人工智能技术面临的挑战提供了解决方案。本文针对现有联邦学习的缺点进行改进:（1）针对规则数据的非独立同分布问题,本文提出了一种带有高级辅助分类器的深度生成对抗网络作为预训练模块。因为非独立同分布增大了各局部模型参数离散程度,导致联邦学习难以聚合出优秀的全局模型,而本文提出的预训练模块能够深度挖掘隐藏特征,增加模型参数之间的关联性,缓解了非独立同分布问题;针对经典联邦学习算法容错性低的问题,本文提出了一种基于联邦卡尔曼滤波的联邦学习框架。因为经典联邦学习中的平均聚合算法,不能识别带有噪声的模型参数,而本文利用联邦卡尔曼滤波的思想,提出了一组个性化的自适应置信度,以此提高联邦学习容错性。（2）面向非欧氏空间数据。本文提出了一种基于图卷积神经网络的联邦学习框架。因为现阶段存在较少能够处理非欧式空间数据的联邦学习算法,于是本文设计了一种高效的图卷积神经网络,来赋予联邦学习处理非欧氏空间数据的能力。针对常规联邦学习算法对于各局部模型参数仅仅做了平均化处理,过于粗糙。本文提出了基于注意力机制的聚合算法,为各局部模型分配适宜的系数后再进行全局模型聚合。本文主要提出两种联邦学习框架,分别用于处理规则数据和非欧氏空间数据。本文提出的联邦学习框架能够降低噪声数据和非独立同分布性带来的损害,提高处理非欧式空间数据的能力,并通过实验证明本文联邦学习框架的有效性。